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

在过去4 - 5年里，数据科学解决方案发展迅速，就像NoSQL、Hadoop和其他数据挖掘解决方案等数据科学领域的发展一样。许多早期的数据库系统也融入了数据科学的关键特性，如机器学习等。本文将重点介绍主要用于机器学习和/或人工智能的解决方案，而非数据管理方面。

1. 数据科学工具与平台

1.1 R编程语言

R最初是为统计编程设计的环境，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。在过去7 - 8年里，R已经发展成为一种成熟、多面的语言，增强了对机器学习、高性能计算、可视化、计量经济学、时间序列分析等多个相关学科的支持。

商业版的R最初由Revolution Analytics提供企业支持，2015年更名为Microsoft R Open（开源版）和Microsoft R Server（商业版）。虽然以微软品牌销售，但Microsoft R也适用于Linux和Mac OS。

R中流行的机器学习包包括e1071、randomForest、gbm、kernlab、arules等，可在 https://cran.r-project.org/web/views/MachineLearning.html 查看。另一个流行的包caret，作为各种算法包的包装器，提供了一个统一的接口来运行算法，无需单独适应每个包的细微差别。

R还通过multicore、doMC等包支持多