机器学习工程师需要掌握哪些编程语言?
本题已插手知乎圆桌 »「机器学习 · 学以致用」，更多「机器学习」相关话题讨论欢迎存眷。想往机器学习方面成长。目前我的情况是C++和Java城市一些基础的东西，但是都不精通。要是两个都精那是不成能的，所以我想从里面选一个深入学习。方针是做数据挖掘,机器学习方面的算法工程师，请问需要掌握哪一个 谢 @杉数科技 邀。
各个语言都有自己擅长的，python 和R 数据分析就是强项，java是工程性的语言，c++现在做底层并行等，所以我的想法是这个问题不是机器学习需要什么语言，而是你想做什么.
机器学习，数据挖掘，数据分析一般来说，比较主流的，需要的是以下几种语言：
Python，R，SQL，C++。
其次还有一个东西是Linux Shell Command。
其他一些语言比如Matlab，Ruby等等其实也可以用。主要是类似Python和R会有自己的一些比较好的package可以直接拿去用。
其实编程语言并不是问题；我曾经在UIUC见过一个坚持用Java写数据挖掘工程的美国人。UIUC的CS412一共有五次作业，难度都在中等到比较难之间吧。另外这门课有一个要求，要尽量自己造数据挖掘的轮子，比如python的话除了numpy以外的package是要尽量少用的。当时我自己做了个不完全的统计：我见过有四个用C++写项目的。Matlab，R都没有遇到。我印象非常深的就是一个美国人坚持用Java写所有的项目。我曾经问过他们为什么会坚持用C++或者Java来写数据挖掘的工程；坚持用C++的多半是以后想做投行，高频交易或者量化金融，练习用C++；而那个美国人已经拿到了SDE的offer，所以用Java来反复的练手。
实际上做机器学习和数据挖掘用Python，R毫无疑问是最主流的。原因其实也很好理解：Python和R有很多自带的package，这些package有很多，被封装的很好的代码；你只要善于利用官方文档，往往就可以用很短的语句和很简短的方法避免大量繁琐的代码工作。
MySQL的意义更多在于处理数据库。对于一般的私人，或者中小企业（非海量数据情况）来说，MySQL语言足够解决他们在数据库方面遇到的大多数问题了。当然，作为机器学习工程师掌握SQL自然很有必要。
Linux的好处，自然不必说。在公司内部用这个东西可以很大幅度的提升工作效率。尤其是Linux在文件管理方面有很大优势。
C++的意义在于写底层优化的程序和系统。因为我们假如我们想要对代码的一些细节进行优化，这个时候用C++写底层优化系统，就是一个必须要做的事情了。 看到各位同学的精彩回答收获颇丰，有关机器学习工程师要掌握哪些编程语言，社区有一篇不错的文章分享过来，希望对大伙有所帮助
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习牵涉的编程语言十分之广，包括了MATLAB、Julia、R、Perl、Python、Clojure、Ruby等等。
为了让开发者更加广泛、深入地了解机器学习，云栖社区组织翻译了GitHub Awesome Machine Learning 资源，涵盖24种编程语言的机器学习的框架、库以及其他相关资料。
目录
[*]C
[*]通用机器学习
[*]计算机视觉
[*]C++
[*]计算机视觉
[*]通用机器学习
[*]自然语言处理
[*]序列分析
[*]手势识别
[*]Common Lisp
[*]通用机器学习
[*]Clojure
[*]自然语言处理
[*]通用机器学习
[*]数据分析 /数据可视化
[*]Erlang
[*]通用机器学习
[*]Go
[*]自然语言处理
[*]通用机器学习
[*]数据分析 /数据可视化
[*]Haskell
[*]通用机器学习
[*]Java
[*]自然语言处理
[*]通用机器学习
[*]数据分析 /数据可视化
[*]深度学习
[*]Javascript
[*]自然语言处理
[*]数据分析 /数据可视化
[*]通用机器学习
[*]其他
[*]Julia
[*]通用机器学习
[*]自然语言处理
[*]数据分析/数据可视化
[*]其他项 /展示
[*]Lua
[*]通用机器学习
[*]示例和脚本
[*]Matlab
[*]计算机视觉
[*]自然语言处理
[*]通用机器学
[*]数据分析 / 数据可视化
[*].NET
[*]计算机视觉
[*]自然语言处理
[*]通用机器学习
[*]数据分析 /数据可视化
[*]Objective C
[*]通用机器学习
[*]OCaml
[*]通用机器学习
[*]PHP
[*]自然语言处理
[*]通用机器学习
[*]Python
[*]计算机视觉
[*]自然语言处理
[*]通用机器学习
[*]数据分析 /数据可视化
[*]杂项脚本/ iPython笔记 /源码库
[*]Kaggle竞赛源码
[*]Ruby
[*]自然语言处理
[*]通用机器学习
[*]数据分析 /数据处理
[*]杂项
[*]Rust
[*]通用机器学习
[*]R
[*]通用机器学习
[*]数据分析 /数据可视化
[*]SAS
[*]通用机器学习
[*]数据分析 /数据可视化
[*]高性能机器学习（MPP）
[*]自然语言处理
[*]示例和脚本
[*]Scala
[*]自然语言处理
[*]数据分析 /数据可视化
[*]通用机器学习
[*]Swift
[*]通用机器学习
[*]Credits
C
------------------------------------------------------------------------------------
通用机器学习
[*]Recommender- 一个C语言库，利用协同过滤（CF）进行产品推荐/建议；
[*]Darknet-是一个用C和CUDA编写的开源神经网络框架，它速度快，易于安装，并支持CPU和GPU计算。
计算机视觉
[*]CCV-基于C语言、高速缓存的核计算机视觉库，是一个现代化的计算机视觉库；
[*]VLFeat-开放、可便携的计算机视觉算法库，内有matlab工具箱。
语音识别
[*]HTK-隐马尔可夫模型工具包（HTK）是一个便携式工具包，用于构建和操作隐马尔可夫模型。
C++
------------------------------------------------------------------------------------
计算机视觉
[*]OpenCV-OpenCV自带C ++、C、Python、Java和MATLAB接口，并支持Windows、Linux、Android版和Mac OS等系统；
[*]DLib-DLib有C ++和Python接口，用于人脸检测和训练通用的目标探测器；
[*]EBLearn-Eblearn是一种面向对象的C++库，能够实现各种机器学习模型；
[*]VIGRA-VIGRA是通用跨平台的C++计算机视觉和机器学习库，能够用Python绑定任意维度的体积。
通用机器学习
[*]mlpack-可扩展的C++机器学习库；
[*]DLib-ML工具套件，能够很容易嵌入到其他应用程序中；
[*]encog-cpp
[*]shark
[*]Vowpal Wabbit (VW)-一个快速的核外（out-of-core ）学习系统；
[*]sofia-ml-快速增量算法套件；
[*]Shogun-Shogun机器学习工具箱；
[*]Caffe-基于清洁度、可读性和速度考虑而开发的深度学习框架。[深度学习]
[*]CXXNET-另一个深度学习框架，其核心代码少于1000行；[深度学习]
[*]XGBoost-一种并行、优化、通用的梯度推进库；
[*]CUDA-利用C++ / CUDA快速实现卷积；[深度学习]
[*]Stan-一种概率性的编程语言，能够实现Hamiltonian Monte Carlo抽样的全贝叶斯统计推断；
[*]BanditLib-一个简单、有多重保护的Bandit库；
[*]Timbl ：一个软件包/ C ++库，能够实现多种基于内存的学习算法，其中有IB1-IG--k-最近邻分类的实现、IGTree--IB1-IG的决策树近似值；常用于NLP；
[*]Disrtibuted Machine learning Tool Kit (DMTK)-微软开发的分布式机器学习（参数服务器）框架，能够在多台机器的大型数据集上实现训练模型，与它捆绑的现有工具包括：LightLDA和分布式（多传感）字嵌入；
[*]igraph-通用图形库；
[*]Warp-CTC-在CPU和GPU上快速并行地实现连接时域分类（Connectionist Temporal Classification，CTC）；
[*]CNTK-微软研究院开发的计算网络工具包（CNTK），它作为一系列计算步骤，通过有向图来描述神经网络，是统一的深度学习工具包；
[*]DeepDetect-一个机器学习API，服务器用C++11编写，它使机器学习的状态易于工作，并容易集成到现有应用程序；
[*]Fido-一个高度模块化的C++机器学习库，用于嵌入式电子产品和机器人中。
自然语言处理
[*]MIT Information Extraction Toolkit-C，C ++和Python的工具，用于命名实体识别与关系抽取；
[*]CRF++-条件随机域（Conditional Random Fields，CRFs）的开源实现，用于分割/标记序列数据及其他自然语言处理任务；
[*]CRFsuite-条件随机域（CRFs）的实现，用于标记序列数据；
[*]BLLIP Parser-BLLIP自然语言解析器（也称为Charniak-Johnson解析器）；
[*]colibri-core-是C++库、命令行工具，和Python绑定用于提取与使用基本的语言结构，例如用快速和高效存储的方式实现n-grams和skipgrams模型；
[*]ucto-是一种工具和C++库，基于支持各种语言的编译器，内含统一字符标准及规则表达式；支持FoLiA格式；
[*]libfolia-支持FoLiA格式的C++库；
[*]frog-为Dutch开发的基于内存的NLP套件：POS标签、归类分析、依存句法分析、NER、浅层句法分析、形态分析；
[*]MeTA-MeTA : ModErn 语篇分析（ModErn Text Analysis），是一个C++数据科学工具包，便于挖掘大文本数据。
语音识别
[*]Kaldi-Kaldi是用于语音识别的工具包，用C++编写，由Apache许可证V2.0协议授权，专门给语音识别的研究人员使用。
序列分析
[*]ToPS-这是一种面向对象的框架，便于在用户定义的字母序列中整合概率模型。
手势检测
[*]grt-手势识别工具包（GRT）是一个跨平台、开源的C++机器学习库，用于实时的手势识别。
Common Lisp
------------------------------------------------------------------------------------
通用机器学习
[*]mgl-神经网络（玻耳兹曼机，前馈和循环网络）以及高斯过程；
[*]mgl-gpr-演化算法；
[*]cl-libsvm-LIBSVM支持向量机库的包装。
Clojure
------------------------------------------------------------------------------------
自然语言处理
[*]Clojure-openNLP - Clojure中自然语言处理的工具包（openNLP）；
[*]Infections-clj - Clojure和Clojure中类似于Rails的inflection库。
通用机器学习
[*]Touchstone - Clojure A/B 测试库；
[*]Clojush - Clojure中的Push程序语言和PushGP遗传编程系统；
[*]Infer - Clojure中分析和机器学习的工具；
[*]Clj-ML - Clojure中基于Weka及其相关环境的深度学习库；
[*]Encog - 在Clojure中封装成Encog (v3) （专门研究神经网络的机器学习框架）；
[*]Fungp -Clojure中的遗传编程实例库；
[*]Statistiker - Clojure中基础机器学习算法；
[*]clortex -采用Numenta’s Cortical 学习算法的通用机器学习库；
[*]comportex - 采用Numenta’s Cortical 学习算法的功能组合的机器学习库。
数据分析/数据可视化
[*]Incanter - Incanter是基于 Clojure，类似R的统计计算与制图平台；
[*]PigPen -Clojure中的Map-Reduce；
[*]Envision - 基于Statistiker和D3Clojure 数据可视化库。
Erlang
------------------------------------------------------------------------------------
通用机器学习
[*]Disco-Erlang中的Map Reduce模型。
Go
------------------------------------------------------------------------------------
自然语言处理
[*]go-porterstemmer - 一个用于实现Porter词干提取算法的原生Go语言净室；
[*]paicehusk - Go语言中用于实现Paice/Husk词干提取算法；
[*]snowball - Go语言中的Snowball 词干提取器；
[*]go-ngram -内存N-gram索引压缩 。
通用机器学习
[*]Go Learn - Go语言中的机器学习库；
[*]go-pr - Go语言中的模式识别包；
[*]go-ml - 线性/逻辑回归、神经网络、协同过滤和多元高斯分布；
[*]bayesian - Go语言中朴素贝叶斯分类库；
[*]go-galib - Go语言版的遗传算法库；
[*]Cloudforest - GO语言中的决策树集合；
[*]gobrain - GO语言版的神经网络；
[*]GoNN - GoNN 是用Go语言实现的神经网络，它包括BPNN、RBF、PCN ；
[*]MXNet - 轻量级、便携式、灵活的分布式/深度学习系统，可对动态的、突变数据流调度部署，同时也支持Python、R、Julia、Go、Javascript 等编程语言。
数据分析/数据可视化
[*]go-graph - Go语言图形库；
[*]SVGo - Go语言的SVG生成库；
[*]RF - Go语言的随机森林库；
Haskell
------------------------------------------------------------------------------------
通用机器学习
[*]haskell-ml - Haskell 语言实现的各种深度学习算法 ；
[*]HLearn - 根据代数结构解释其深度模型的库；
[*]hnn - Haskell语言的神经网络库；
[*]hopfield-networks - Haskell中用于无监督学习的Hopfield网络；
[*]caffegraph - 一种用于深度神经网络的领域特定语言（DSL）；
[*]LambdaNet - Haskell中的可配置的神经网络。
Java
------------------------------------------------------------------------------------
自然语言处理
[*]Cortical.io - 像人脑一样快速、精确处理复杂的NLP（自然语言处理）操作（如消歧、分类、流文本过滤等操作）的Retina API；
[*]CoreNLP - 斯坦福大学的CoreNLP提供的一系列的自然语言处理工具，该工具可以根据输入原始英语文本，给出单词的基本形式；
[*]Stanford Parser - 一种自然语言分析器，可以分析语句的语法结构；
[*]Stanford POS Tagger -一个词性分类器(POS Tagger）；
[*]Stanford Name Entity Recognizer - Stanford NER是一个Java实现的名称识别器；
[*]Stanford Word Segmenter - 分词器，很多NLP工作中都要用到的标准预处理步骤；
[*]Tregex, Tsurgeon and Semgrex - Tregex基于树关系以及节点匹配的正则表达式，用于在树状数据结构中进行模式匹配（名字是“tree regular expressions”的缩写） ；
[*]Stanford Phrasal:一个基于短语的翻译系统
[*]Stanford English Tokenizer - Stanford Phrasal 用Java写成的最新的基于统计短语的机器翻译系统；
[*]Stanford Tokens Regex - 一个分解器，可以将文本大致分成一系列对应于“词”的符号；
[*]Stanford Temporal Tagger - SUTime是一个用于识别并标准化时间表达式的库；
[*]Stanford SPIED -在种子集上使用模式，以迭代方式从无标签文本中进行学习实体；
[*]Stanford Topic Modeling Toolbox - 为社会科学家及其他希望分析数据集的人员提供的主题建模工具；
[*]Twitter Text Java - Java实现的推特文本处理库；
[*]MALLET - 基于Java的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习的文本应用包；
[*]OpenNLP - 基于机器学习的自然语言文本处理工具包；
[*]LingPipe - 一个使用计算机语言学文本处理的工具包；
[*]ClearTK - 在Java中ClearTK为开发统计语言处理组件提供了一个框架，该框架是基于Apache UIMA；
[*]Apache cTAKES - Apache cTAKES是一个开源自然语言处理系统，用于从临床电子病历的自由文本中提取信息；
[*]ClearNLP - ClearNLP工程为自然语言处理提供了软件和资源提供了。该项目最早在计算机愈合和教育研究中心启动，目前由Emory 大学的语言和信息研究中心继续开发。该项目遵循Apache 2 license。
通用机器学习
[*]aerosolve - 是由Airbnb设计的定价建议系统的机器学习库；
[*]Datumbox -应对机器学习和统计应用快速发展的机器学习框架；
[*]ELKI - 用于数据挖掘的Java工具包(无监督：聚类、异常检测等等)；
[*]Encog - 一种先进的神经网络和机器学习框架。 Encog包含用于创建各类网络的类，同时也支持为神经网络规范和处理数据的类。它的训练采用多线程弹性传播。它也能使用GPU加快处理时间。提供了图形化界面来帮助建模和训练神经网络。
[*]EvA2 - 包含遗传算法、差分进化、协方差自适应进化策略等等的进化算法框架；
[*]FlinkML in Apache Flink - Flink中的分布式机器学习库；
[*]H2O - 深度学习引擎，支持在Hadoop、Spark 或者通过R、Python、Scala 、REST/JSONML 的APIs连到的笔记本上进行分布式学习；
[*]htm.java - 采用Numenta Cortical 学习算法的通用机器学习库 ；
[*]java-deeplearning - Java、Clojure、Scala的分布式深度学习平台；
[*]JAVA-ML - 包含所有Java算法的通用接口的通用深度学习库；
[*]JSAT - 用于分类、回归、聚类的机器学习算法集合；
[*]Mahout - 分布式的机器学习库；
[*]Meka - MEKA提供了一个面向多标签学习和评价方法的开源实现（扩展成Weka）；
[*]MLlib in Apache Spark - Spark中的分布式机器学习程序库；
[*]Neuroph - Neuroph 是轻量级的Java神经网络框架；
[*]ORYX - 采用Apache Spark和Apache Kafka的Lambda 结构框架，专门用于实时大规模机器学习；
[*]Samoa - SAMOA 是一个包含用于分布式机器学习数据流的框架，同时为数据流流入不同的流处理平台提供了接口；
[*]RankLib - RankLib是一个排序学习算法库；
[*]rapaio - Java中用于统计、数据挖掘和机器学习的工具箱；
[*]RapidMiner - RapidMiner integration into Java code
[*]Stanford Classifier - 斯坦福大学分类器是一种机器学习工具，它可以将数据项归置不同的类别中；
[*]SmileMiner - 统计机器智能与学习引擎；
[*]SystemML - 灵活、可扩展的机器学习语言；
[*]WalnutiQ - 人脑部分面向对象模型；
[*]Weka - Weka是数据挖掘方面的机器学习算法集 。
语音识别
[*]CMU Sphinx - CMU Sphinx 是基于Java 语音识别库，用于纯语音识别开源工具包。
数据分析/数据可视化
[*]Flink - Apache Flink是一个面向分布式数据流处理和批量数据处理的开源计算平台；
[*]Hadoop - 大数据分析平台；
[*]Spark - Spark是一个快速通用的大规模数据处理引擎；
[*]Storm - Storm是一个分布式实时计算系统；
[*]Impala - 为Hadoop实现实时查询
[*]DataMelt - 用于数字计算、统计、符号计算、数据分析和数据可视化的数学软件；
[*]Dr. Michael Thomas Flanagan's Java Scientific Library
深度学习
[*]Deeplearning4j - 采用并行GPU的商用可扩展深度学习库。
Javascript
------------------------------------------------------------------------------------
自然语言处理
[*]Twitter-text - Twitter文本处理库中使用JavaScript的实现；
[*]NLP.js – 使用JavaScript和CoffeeScript的NLP实用工具；
[*]natural – 用于节点的通用自然语言工具；
[*]Knwl.js – JS中的自然语言处理器；
[*]Retext -用于分析和处理自然语言的可扩展系统；
[*]TextProcessing -情感分析，词干和词形还原，部分词性标注和组块，短语提取和命名实体识别；
[*]NLP Compromise - 浏览器中的自然语言处理。
数据分析/数据可视化
[*]D3.js
[*]High Charts
[*]NVD3.js
[*]dc.js
[*]chartjs
[*]dimple
[*]amCharts
[*]D3xter –直接建立在D3上的绘图；
[*]statkit – JavaScript的统计工具；
[*]datakit - JavaScript的轻量级数据分析框架；
[*]science.js - JavaScript中的科学统计计算；
[*]Z3d – 在Three.js上轻松地绘制交互式3D图；
[*]Sigma.js - JavaScript库，专门用于图形绘制；
[*]C3.js – 基于D3.js的定制库，能够轻松绘制图表；
[*]ZingChart - Vanilla JS编写的库，用于大数据可视化；
[*]cheminfo – 数据可视化和分析的平台，使用可视化项目。
通用机器学习
[*]Convnet.js - ConvNetJS是一个JavaScript库，用于训练深度学习模型[深度学习]；
[*]Clusterfck - 为Node.js和浏览器，用Javascript实现的凝聚层次聚类；
[*]Clustering.js – Javascript为Node.js和浏览器实现的聚类算法；
[*]Decision Trees -使用ID3算法实现NodeJS决策树；
[*]figue - K-均值、模糊C均值和凝聚聚类；
[*]Node-fann -Node.js绑定的快速人工神经网络库（Fast Artificial Neural Network Library，FANN）；
[*]Kmeans.js - K-均值算法用JavaScript的简单实现，用于Node.js和浏览器；
[*]LDA.js - Node.js的LDA主题建模；
[*]Learning.js –用Javascript实现逻辑回归/ c4.5决策树；
[*]Machine Learning - Node.js的机器学习库；
[*]Node-SVM - Node.js的支持向量机；
[*]Brain - JavaScript中的神经网络[已弃用]；
[*]Bayesian-Bandit - Node和浏览器的贝叶斯实现；
[*]Synaptic – 用于Node.js和浏览器的无架构神经网络库；
[*]kNear - JavaScript实现的k个最近邻算法，用于监督学习；
[*]NeuralN - Node.js的C++神经网络库，其优点是有大量的数据集和多线程训练；
[*]kalman - Javascript的卡尔曼滤波器；
[*]shaman - Node.js库，同时支持简单和多元的线性回归；
[*]ml.js –用于Node.js和浏览器的机器学习和数值分析工具；
[*]Pavlov.js -利用马尔可夫决策过程强化学习；
[*]MXNet - 轻量级、便携式、灵活的分布式/深度学习系统，可对动态的、突变数据流调度部署，同时也支持Python、R、Julia、Go、Javascript 等编程语言。
其它
[*]sylvester – 用于JavaScript的向量和矩阵数学；
[*]simple-statistics - 描述，回归和推断统计的JavaScript实现；用文字实现的JavaScript，没有依赖性，能在所有现代浏览器（包括IE）以及在node.js中工作；
[*]regression-js – JavaScript库，包含小二乘法拟合方法的集合，用于寻找数据集的趋势；
[*]Lyric -线性回归库；
[*]GreatCircle – 计算大圆距的库。
Julia
------------------------------------------------------------------------------------
通用机器学习
[*]MachineLearning - Julia机器学习库；
[*]MLBase -一组支持机器学习算法的发展的函数；
[*]PGM - 一个概率图模型的Julia框架；
[*]DA - 正则判别分析的Julia组件；
[*]Regression - 回归分析算法（例如线性回归和逻辑回归）；
[*]Local Regression -局部回归，超级流畅！
[*]Naive Bayes - Julia朴素贝叶斯方法的简单实现；
[*]Mixed Models – 用于装配（统计）混合效应模型的Julia组件；
[*]Simple MCMC – Julia实现基本的MCMC采样；
[*]Distance - Julia距离评估模块；
[*]Decision Tree -决策树分类和回归；
[*]Neural - Julia神经网络；
[*]MCMC – Julia 的MCMC工具；
[*]Mamba – Julia中马尔可夫链蒙特卡罗（MCMC）的贝叶斯分析；
[*]GLM – Julia的广义线性模型。
[*]Online Learning
[*]GLMNet – GMLNet的Julia包装版，适合套索/弹性网模型；
[*]Clustering -集群数据的基本功能：K-均值，DP-均值等；
[*]SVM – Julia适用的SVM；
[*]Kernal Density – Julia的核密度估计量；
[*]Dimensionality Reduction -降维方法；
[*]NMF - 非负矩阵分解的Julia包；
[*]ANN - Julia人工神经网络；
[*]Mocha – 受Caffe启发，Julia的深度学习框架；
[*]XGBoost – Julia中的eXtreme Gradient Boosting 包；
[*]ManifoldLearning – 用于流形学习和非线性降维的Julia组件；
[*]MXNet - 轻量级、便携式、灵活的分布式/深度学习系统，可对动态的、突变数据流调度部署，同时也支持Python、R、Julia、Go、Javascript 等编程语言。
[*]Merlin - Julia灵活的深度学习框架。
自然语言处理
[*]Topic Models – Julia下的主题模型；
[*]Text Analysis – Julia下的文本分析包。
数据分析/数据可视化
[*]Graph Layout – 纯Julia实现的图布局算法；
[*]Data Frames Meta - DataFrames的元编程工具；
[*]Julia Data - 处理表格数据的Julia库；
[*]Data Read - 从Stata、SAS、SPSS读取文件；
[*]Hypothesis Tests – Julia的假设检验；
[*]Gadfly – Julia 灵活的统计制图法；
[*]Stats – Julia的统计图检验；
[*]RDataSets - 用于装载许多R中可用数据集的Julia包；
[*]DataFrames – 处理列表数据的Julia库；
[*]Distributions - 概率分布和相关函数的Julia包；
[*]Data Arrays - 允许缺失值的数据结构；
[*]Time Series – Julia的时间序列工具包；
[*]Sampling - Julia的基本采样算法。
其他项/展示
[*]DSP -数字信号处理（滤波，周期图，频谱图，窗函数）；
[*]JuliaCon Presentations – JuliaCon的演示文稿；
[*]SignalProcessing – Julia写的信号处理工具；
[*]Images – Julia的图像库。
以上为“史上最全机器学习资料（上）”的全部内容，敬请期待下一节。
编译自：https://github.com/josephmisiti/awesome-machine-learning
译者：刘崇鑫 校对：王殿进
原文链接：史上最全的机器学习资料（上）-博客-云栖社区-阿里云 Python > Java > c++
机器学习最重要的几点在于，数据预处理、模型构建与训练、模型的部署与服务提供。
数据预处理：Python/Java/Scala配上Spark非常顺手和快捷
模型构建与训练：目前的大多数机器学习和深度学习框架都是用Python作为基础构建语言，其他语言也有很多框架，但是快速的构建模型，快速的进行各种验证，Python有显著的优势。
模型的部署与服务提供：Serving方面还是用c++和Java为主（效率考虑），使用python训练出来的模型，其实有很多办法可以让其他语言进行调用。而且一些框架本身也提供原生的方法将模型保存为独立的文件，然后再用其他语言load进来。如TensorFlow1.1开始有的官方Java API，就可以直接load保存的模型，进行预测。 取决于你希望做一些什么：
- 机器学习的底层优化：C/C++，适当学习一些assembly和intrinsics。
- 机器学习框架和算法的开发优化：C/C++，CUDA。根据工作的侧重可能需要了解OpenCL，OpenGL，甚至HDL，但是这些都是bonus。
- 工业级别的分布式系统：依然是C/C++，了解分布式系统的知识比如说MPI，Spark，等等。
- 机器学习模型的设计研究：Python 加上一两个机器学习的框架，最好还是要学一些C/C++。
- 机器学习在前端的应用：Python，java（Android），Obj-C（iOS），但是这个其实基本上和机器学习没有太大关系。
- 机器学习在大量传统公司当中的应用：他们以前用什么语言就什么语言。。。
另外，作为面试官的话我会根据你的背景和偏好选择C++和Python之一。个人把这两个列为必须要会一门的语言。
[*] Python:下可写爬虫爬数据，可写脚本做数据预处理; 上可调用scikit-learn等机器学习框架，以及tensorflow，theano，mxnet等深度学习框架。
[*] 如果是放在线上的程序的话，一般会用c++ 或者java。个人推荐java，用java处理文本还是比较方便的。
[*]时间有限的话可以先学java，python，学会用一种机器学习和深度学习框架。
页:
[1]