微軟、Databricks、谷歌、惠普企業和 IBM 都為解決許多機器學習問題提供了工具。本文將簡要分析這６種商業機器學習解決方案的特點。
AWS：替你選擇模型
亞馬遜試圖讓機器學習能夠為普通人所利用。亞馬遜希望的是，分析師只需要理解那些被解決的問題本身，而不需要理解數據科學和機器學習算法。
總的來說，要使用亞馬遜機器學習，你首先要把你的數據整理為 CSV 格式、上傳到亞馬遜的 S3 服務；然后你創造、訓練和評估你的機器學習模型；最終，你能用它進行批量或實時的預測。每個步驟都是迭代性的，整個過程亦然。機器學習并不是一件簡單靜態的事，盡管我們可以把算法選擇的部分留給亞馬遜來做。
亞馬遜機器學習支持３類模型——二元分類、多類別分類和回歸——每個類型都有一個對應的算法。在優化方面，亞馬遜機器學習使用隨機梯度下降（SGD），這種方法能在訓練數據中建造多序列通路（multiple sequential passes），更新每個小批量樣本的特征權重，從而將損失函數最小化。損失函數是指現實值和預測值之間的差異。梯度下降優化法只在連續、可微的損失函數（例如 logistic 函數和平方損失函數 ）的情況下工作良好。
對二元分類，亞馬遜機器學習使用了 logistic 回歸（logistic 損失函數加上隨機梯度下降）。對多類別分類，亞馬遜機器學習使用了多元 logistic 回歸（多元 logistic 損失函數加上隨機梯度下降）。對回歸，亞馬遜機器學習使用了線性回歸（平方損失函數加上隨機梯度下降）。
在亞馬遜機器學習服務中訓練和評估了一個二元分類模型之后，你可以選擇你自己的分數閾限，以獲得你所想要的誤差率。此處，我們把閾限值從默認的 0.5 提高了，這樣我們就可以為市場和銷售提供更強的指導。來源：inforworld.com
亞馬遜機器學習通過目標數據的類型來決定所要解決的機器學習任務的類型。例如，具有數字目標變量的預測問題意味著回歸。而對那些具有非數字目標變量的預測問題，如果目標狀態是兩個，那就對應二元分類模型；如果目標狀態是多個，就對應多類別分類模型。
亞馬遜機器學習服務中的特征選項保存在清單中。當對數據源的描述性統計被計算好之后，亞馬遜就會創造出一個默認的清單。在你將應用于數據的機器學習模型中，你既可使用這個清單，也不用它。一旦你擁有了一個能達到你的評估要求的模型，你就可以用它來建立一個實時網絡服務，或批量地產生預測。但請記住，與物理常量不同的是，人的行為隨著時間而改變。你需要定期檢查你的模型所產生的預測準確度標準，并在需要時重新訓練它。
微軟 Azure：有了經驗你再來
與亞馬遜不同，微軟試圖為有經驗的數據科學家提供一整套算法和工具。因此，Azure 機器學習是更廣泛的微軟 Cortana 分析套裝中的一部分。微軟 Azure 機器學習也擁有拖拽式的界面，以便于構造模型訓練和評估來自模塊的數據流。
Azure 機器學習工具包括導入數據集、訓練和發布實驗性模型、在 Jupyter Notebooks 中處理數據和保存已訓練的模型等功能。該機器學習工具中包含數十個樣本數據集，五個數據格式轉換方式，多個讀取和寫入數據的方式，數十種數據轉換和三個用來選擇特征的選項。在 Azure 機器學習服務中，你將為異常檢測、分類、聚類和回歸找到多種模型；此外還有四種為模型打分的方法、三種評估模型的策略和六種訓練模型的過程。你也可以使用兩個 OpenCV（開源計算機視覺）模塊、統計學方程和文本分析工具。
上面這些已包含很多東西了，如果你理解你的生意、數據和模型，那么理論上它們足夠用來以任何模型來處理任何數據了。當既有的 Azure 機器學習工具模塊無法實現你想要的東西時，你也可以自己開發 Python 或 R 模塊。
你可以用 Jupyter Notebooks 來開發和測試 Python 2 和 Python 3 語言模塊。Jupyter Notebooks 已擴展了 Azure 機器學習服務的 Python 客戶庫，也擴展了 scikit-learn、matplotlib 和 NUmpy，從而能夠處理你在 Azure 中存儲的那些數據。Azure Jupyter Notebooks 將來也會支持 R 語言，目前，你可以在本地使用 Rstudio 以改變 Azure 的輸入輸出，或者在微軟數據科學 VM 中安裝 Rstudio。
當你在 Azure 機器學習服務中創造一個新實驗時，你既可以從零開始，也可以從微軟的 70 個樣本開始，這些樣本覆蓋了大部分常用模型。此外在 Cortana Gallery 還可以找到其他 Azure 社區的內容。
微軟 Azure 機器學習服務能迅速產生網絡服務以發布訓練好的模型。圖中這個簡單模型來自一篇對 Azure 機器學習的互動式導論。來源：inforworld.com
要使用 Cortana 分析過程（CAP），應從計劃和安裝的步驟開始。這很重要，除非你已經是一名對商業問題、數據和 Azure 機器學習都十分熟悉的受過訓練的數據科學家，并已為項目創造了必要的 CAP 環境。CAP 環境中可以包含一個 Azure 存儲帳號，一個微軟數據科學 VM，一個 HDInsight (Hadoop) 群組和一個使用 Azure 機器學習服務的機器學習工作空間。如果這些選項令你困惑，你可以參考微軟的文檔。安裝好之后，CAP 包含５個后續步驟：消化數據、探索性數據分析和預處理，特征生成，模型生成和對模型的部署與使用。
微軟最近發布了一系列的認知服務，這些服務已從牛津項目（Project Oxford）進化成了 Azure 預覽服務。這些認知服務已在語音、文本分析、面孔識別、情緒識別和其他類似能力方面進行了預訓練。除了你自己訓練的模型之外，這些認知服務也可以作為補充。
中級玩家平臺 Databricks
Databricks 是一個基于 Apache Spark 的商業云服務。而 Apache Spark 是一個開源集群計算框架，它包括一個機器學習庫、一個集群管理器、一個類似 Jupyter 的互動式筆記本、儀表盤和工作項目列表。Databricks 公司由 Spark 的發明者建立，因此通過 Databricks 服務你可以毫不費力地玩轉那些 Spark 集群。
它的庫 MLlib 包含范圍廣泛的機器學習和統計算法，這些算法都針對基于內存的分布式 Spark 架構方面進行了調整。MLlib中包含總結性統計、相關、取樣、假設檢驗、分類和回歸、協同過濾、聚類分析、降維、特征提取和轉換函數、優化算法等等。換句話說，對有經驗的數據科學家來說，它是一個相當完整的工具包。
上面這個具有 Python 代碼的 Databricks 筆記本頁面展示了一種對公共自行車租用數據集的分析方法。在筆記本的這個部分，我們正在訓練管道，通過使用交叉驗證來運行多個梯度上升樹回歸。來源：infoworld.com
Databricks 被設計為可規模化的、相對易用的數據科學平臺，其目標使用者是那些已了解統計學并能做一點編程的人。要有效地使用它，你需要知道一些 SQL，也需要從 Scala、R 或 Python 中了解其中之一。如果你精通你所選擇的語言，那就更好了，因為這樣你就可以集中精力學習 Spark了。你可以通過在免費的 Databricks 社區版集群上運行 Databricks 筆記本的樣本來嘗試進行最初的使用。
高手請進：谷歌機器學習云
谷歌最近宣布了多個機器學習相關的產品。其中最有趣的是云學習和云語音 API，這二者目前都限于預覽。谷歌的翻譯 API 和云視覺 API 已經可供使用，其中谷歌翻譯可以識別語言并在 80 多種語言和方言之間進行翻譯，而云視覺可以從圖像中識別多種特征。從谷歌發布的試用版看，它們表現得不錯。
谷歌預測（Google Prediction ） API 能夠訓練、評估和預測回歸和分類問題，但用戶無法選擇采用什么算法。（它起源于 2013 年。）
我在 TensorFlow 的 Github 存放目錄中檢查了它的代碼。我讀了它的一些 C、C++ 和 Python 代碼。我也研讀了 TensorFlow 網站和白皮書。TensorFlow 讓你能夠從電腦桌面、服務器或手機上對單個或多個 CPU 或 GPU 部署計算。它擁有內置的各種訓練算法和神經網絡算法。從挑戰難度的極客角度看，如果難度總分 10 分那么它能得９分。它的難度不僅超出了商業分析師的能力，也會令許多數據科學家感到困難。
谷歌翻譯 API、云視覺 API 和新的谷歌云語音 API 都是預訓練的機器學習模型。根據谷歌的說法，它的云語音 API 使用神經網絡技術與支撐 Google app 語音搜索和支撐 Google Keyboard 語音打字的技術是同一種。
Haven OnDemand，還差那么一點點
Haven OnDemand 目前擁有音頻-視頻分析、連接器、格式轉換、圖形分析、惠普實驗室沙盒、圖像分析、政策、預測、查詢概覽與操作、搜索、文本分析和非結構化文本索引等 API。我用一個隨機集做試驗，探索了這些 API 是如何被調用和使用的。
Haven 語音識別只支持６種語言和方言。它對我的高質量美式英語測試文件的識別準確率還行，但并不完美。
Haven OnDemand 連接器（connector）讓你能夠從外部系統中提取信息并通過 Haven OnDemand API 來更新信息。該連接器已相當成熟，這是因為它是基于惠普的搜索服務 IDOL 的連接器。文本提取 API 使用惠普企業的 KeyView 服務來從你提供的文件中提取元數據和文本內容；由于 KeyView 已相當成熟，該 API 能處理超過 500 種不同的文件格式。
圖形分析是一組預覽服務，它只按照一個從英文維基百科訓練而來的索引而工作。你不能用你自己的數據來訓練它。
我使用圖像分析 API 試驗了條形碼識別，結果還不錯。我也試驗了面孔識別，這時它對我的測試圖像的識別沒有它對惠普企業自己的樣本識別得好。圖像識別目前還只限于一組固定的企業標識，用處有限。
Haven OnDemand 的條形碼識別 API 可以從圖像文件中圈出條形碼（見紅色方框）并把它轉化為數字，即便條形碼的表面是彎曲的、是 20 度傾斜的或模糊的。該 API 不會進一步去查詢條形碼數字和識別產品。來源：infoworld.com
我失望地發現，惠普企業的預測性分析只處理二元分類問題：沒有多類別分類，也沒有回歸，更不要提無引導學習了。這嚴重限制了它的應用范圍。不過從好的一面看，它的訓練預測 API 能對 CSV 或 JSON 數據進行自動驗證、探索、分離和準備，并用于訓練決策樹、Logistic 回歸、樸素貝葉斯，并支持多參數的向量機（SVM）二元分類模型。之后，它會用數據中的評估部分來測試分類器，并將最優的模型發布為服務。
Haven OnDemand 搜索使用 IDOL 引擎來執行對公共和私有文本索引的高級搜索。文本分析 API 則既能進行簡單的自動補全、詞匯擴展，也能進行語言識別、概念提取和情感分析。
IBM Watson 預測分析服務
IBM 提供了基于 Watson 的機器學習服務和 IBM SPSS Modeler。IBM 實際上為開發者、數據科學家和商業用戶這３類用戶準備了不同的機器學習服務。
SPSS Modeler 是一個 Windows 應用，最近也可以在云上使用它了。Modeler 的個人版包括數據導入和導出、數據自動準備、整理和抽取轉換裝載（ETL）等功能。它擁有 30 多種基本的機器學習算法和自動建模方法，具有 R 語言可擴展性，可使用 Python 腳本。更昂貴的版本則能通過 IBM SPSS 分析服務器來使用大數據，使用 Hadoop/Spark、冠軍-挑戰者功能、 A/B 測試，文本與實體分析以及社交網絡分析。
SPSS Modeler 中的機器學習算法、特征選擇方法和對支持格式的選擇，都可以拿來和 Azure 機器學習、Databricks Spark 機器學習的相應部分進行比較。甚至它的自動建模（訓練并評估多個模型并挑選最優者）部分也可以拿來比較，盡管在 SPSS Modeler 中，用戶更容易弄明白如何自動建模。
IBM 的 Bluemix 云容納了預測性分析網絡（Predictive Analytics Web）服務，該服務可以應用 SPSS 模型，向你提供評價性 API，而你可以在你的 apps 里調用它。除了網絡服務外，預測性分析也支持批量工作，以對額外數據進行重新訓練和重新評估。
Watson 名下除了預測性分析之外，還有 18 種 Bluemix 服務。其中 Alchemy API 向用戶提供三種服務（Alchemy 語言、Alchemy 視覺和 Alchemy 數據），它能夠讓商業公司和研發者建立認知性應用，從而理解文本和圖像中的內容和語境。
概念擴展 API 可以分析文本并基于語境學習類似的詞語或詞組。概念洞察 API 可以把你提供的文件與既有的基于維基百科話題的概念圖連接起來。而對話服務則讓你能夠使用自然語言和用戶概要信息，通過對話界面設計應用與用戶互動的方式。文檔轉換服務把單一的 HTML、PDF 或微軟 Word 文檔轉換為標準化 HTML，純文本或可以用于其他 Watson 服務的 JSON 格式的答案單元集。
我使用 Watson 分析一個常見的出租自行車數據集，得到了一個具有 48% 預測力的決策樹。該表格并未區分工作日騎車者和非工作日騎車者。來源：infoworld.com
語言翻譯服務則處理多個知識領域和語言對。在新聞和談話領域，語言對包括英語、巴西式葡語，法語、現代標準阿拉伯語和西班牙語。在專利領域，語言對包括英語、巴西式葡語、漢語、韓語和西班牙語。翻譯服務可以從 62 種語言中識別出某個純文本的語言。
自然語言分類器服務運用認知計算技術，通過在你的類別和短語集上進行訓練，可以返回對句子、問題或短語的最佳匹配類別。個性洞察力服務從交易和社交媒體數據（其中每個個體至少要提供 1000 個單詞的數據）中判斷個體的心理特質，這些特質被記錄在 JSON 格式的性格樹之中。關系提取服務則把句子分析為多個部分，并通過語境分析來探測這些（詞性和功能）部分之間的關系。
其他 Bluemix 服務有的能提高搜索結果的相關性，有的在６種語言的文本和語音之間進行轉換，有的從文本中識別情緒，還有的能分析視覺場景和對象。
Watson 分析服務使用了 IBM 自己的自然語言處理工具，讓商業分析師和其他非數據科學家能更容易地用機器學習。
哪家平臺最適合你？
你應該基于你自己和你的團隊的技能來衡量上面這些企業提供的機器學習服務。
對數據科學家和那些擁有數據科學家的團隊來說，選擇面很寬。擅長編程的數據科學家還可以做更多的事：Google、Azure、Databricks 比 Amazon、SPSS Modeler 需要更多的編程技能，不過前３個也因此變得更具靈活性。
在 Bluemix 上運行的 Watson 服務在云應用方面為開發者提供了額外的預訓練能力。若干 Azure 服務、3 個谷歌云 API 和若干 Haven OnDemand API 也在文檔內容方面提供了預訓練能力。
谷歌 TensorFlow 庫適用于那些能流利使用 Python，C++ 或 C 的高端機器學習編程者。谷歌的云機器學習平臺似乎適用于了解 Python 和云數據管道的高端數據科學家。
盡管亞馬遜機器學習和 Watson 分析服務宣稱它們的目標用戶是商業分析師或“任何商業職位”，我很懷疑他們這一說法能否實現。如果你需要開發機器學習應用，但卻缺乏統計數學或編程背景，我認為你應該在你的團隊中引入懂這些的人。
各家機器學習云大比拼
亞馬遜機器學習
優點：
它替你選擇模型，從而簡化了模型選擇過程
它根據模型提供實時和批量預測
當你需要時，它可以為模型提供恰當的圖表和診斷
能夠處理來自 S3, RDS MySQL 和 Redshift 的訓練數據
能自動進行一些文本處理
可以用 Linux，Windows 或 Mac OS X 使用 API
缺點：
不包括探索性數據分析
不允許分析師調整改變算法
無法導入或導出模型
微軟 Azure 機器學習
優點：
有多種模型可供選擇，還能用 R 或 Python 編寫新模型
使用拖拽界面，可以輕易地進行模型設計和訓練
可以使用 Azure 云中的真實數據進行探索性數據分析
入門免費
從任何網絡瀏覽器都可進入它
缺點：
要擁有數據科學家的技能才能選出恰當特征、找到最佳模型
探索性數據分析需要一定的 Python 或 R 編程能力
將 R 結果傳遞給流程時會發生困難
Databricks 及 Spark 1.6
優點：
對 Spark cluster 進行擺弄和規模化變得很簡單
為數據科學家提供了范圍廣泛的機器學習工具
提供了一個使用 R, Python, Scala, SQL 的協作性筆記本界面
免費入門，價格低廉
容易對產品工作進度進行安排
缺點：
不如 BI 產品好用，雖然整合了一些 BI 產品
用戶需要熟悉編程、數據分析和機器學習算法
惠普企業 Haven OnDemand
優點：
強大的文檔格式轉換能力
強大的企業搜索能力
價格合理
缺點：
有些服務尚不成熟
有些服務范圍狹窄，限制了其適用范圍
IBM Watson 與預測分析服務
優點：
點幾下鼠標，就能使用 SPSS Modeler 提供的范圍廣泛的模型
Bluemix 預測分析網絡服務表現良好，價格合理
Watson Bluemix 服務為開發者提供了優質、價格合理的技術能力
Watson 分析服務使用自然語言，從而讓那些經驗較少者也能輕易地建立模型
缺點：
按照當前標準，SPSS MOdeler 價格昂貴
Bluemix 預測分析網絡服務要求 SPSS 模型 Watson 分析服務在易用性方面用力過猛
京公網安備 11010502049343號