21、企业数据科学：机器学习与人工智能综合指南

企业数据科学：机器学习与人工智能综合指南

1. 数据科学解决方案的发展

在过去4 - 5年里，数据科学解决方案迅速成熟，这与NoSQL、Hadoop等数据科学领域的发展类似。许多早期数据库系统已经融入了数据科学的关键特性，如机器学习等。这里主要介绍用于机器学习和/或人工智能的解决方案，而非数据管理方面的内容。如今，大数据产品和数据科学产品的界限变得模糊，原本用于处理大数据的产品融入了数据科学的关键特性，反之亦然。

2. 编程语言与工具

• R编程语言 ：最初为统计编程设计，起源于新西兰大学的一个项目，是John Chambers在贝尔实验室开发的S编程语言的变体。过去7 - 8年，它已发展成为成熟的多面语言，支持机器学习、高性能计算、可视化、计量经济学、时间序列分析等多个相关领域。商业版R由Revolution Analytics提供，2015年更名为Microsoft R Open（开源版）和Microsoft R Server（商业版），且适用于Linux和Mac OS。R中的流行机器学习包包括e1071、randomForest、gbm、kernlab、arules等，可在https://cran.r-project.org/web/views/MachineLearning.html查看。caret包可作为各种算法包的包装器，提供统一接口。此外，R还通过multicore、doMC等包支持多核编程，相关信息可在https://cran.r-project.org/web/views/HighPerformanceComputing.html查看。
• Python