一、Mahout系统
Apache Mahout 官网地址
http://mahout.apache.org/
Apache Mahout（TM）是一个分布式线性代数框架，具有数学表达力的Scala DSL，旨在让数学家，统计学家和数据科学家快速实现自己的算法。建议使用Apache Spark开箱即用的分布式后端，也可以将其扩展到其他分布式后端。
- 数学表达式Scala DSL
- 支持多个分布式后端（包括Apache Spark）
- 用于CPU / GPU / CUDA加速的模块化本机求解器
Apache Mahout 官网地址
http://mahout.apache.org/
Mahout是Hadoop大数据平台上的开源机器学习软件包。Mahout提供了在大规模集群上对大数据进行深度分析的能力。主流的数据挖掘和机器学习算法不断在Mahout平台上实现，包括聚类、分类、协同过滤(Collaborative Filtering，用于推荐)以及频繁集挖掘等众多的算法。
早期版本的Mahout使用MapReduce计算模型实现机器学习和数据挖掘算法。由于MapReduce计算模型固有的局限性（在Stage之间和Job之间，中间结果经过磁盘进行传递），这些算法的执行效率不高。2014年Mahout社区决定把Mahout代码迁移到其他更高性能的大数据平台上运行，包括Spark和H2O。Mahout不再接受使用MapReduce编程模型实现的代码，原先已经用MapReduce模型实现的代码仍然保留，并且由Mahout社区提供维护和支持。
迁移到Spark平台的原因是Spark提供了更加灵活的编程模型和更加高性能的执行引擎。针对Spark平台开发的机器学习算法，可以充分利用Spark的内存数据处理能力，提高机器学习算法的执行效率。Mahout经过改写以后，成为一个更加通用的软件包，并不依赖于Spark，也可以运行在其他底层大数据处理系统上，比如H2O。H2O是由初创公司Oxdata开发的内存数据处理引擎，用于从HDFS上加载数据集，执行各种机器学习和统计分析算法。Mahout和Spark平台上的MLlib都是机器学习软件包，某种程度上提供了重复的功能，但是有选择对用户来讲终究是一件好事。
二、Spark MLlib系统
MLlib | Apache Spark
http://spark.apache.org/mllib/
使用方便
可在Java，Scala，Python和R中使用。
MLlib适用于Spark的API，并且可以与 Python（自Spark 0.9起）和R库（自Spark 1.5起）中的NumPy互操作。您可以使用任何Hadoop数据源（例如HDFS，HBase或本地文件），从而轻松插入Hadoop工作流。
性能
高质量算法，比MapReduce快100倍。
Spark擅长于迭代计算，从而使MLlib快速运行。同时，我们关心算法性能：MLlib包含利用迭代的高质量算法，并且比有时在MapReduce上使用的单遍逼近可以产生更好的结果。
无处不在
Spark可针对各种数据源在Hadoop，Apache Mesos，Kubernetes上独立运行或在云中运行。
您可以在EC2，Hadoop YARN，Mesos或Kubernetes上使用其独立集群模式运行Spark 。访问HDFS， Apache Cassandra， Apache HBase， Apache Hive以及数百种其他数据源中的数据。
三、Weka系统
Weka 3-使用Java中的开源机器学习软件进行数据挖掘
https://www.cs.waikato.ac.nz/ml/weka/
Weka的全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），是一款免费的，非商业化（与之对应的是SPSS公司商业数据挖掘产品--Clementine ）的，基于JAVA环境下开源的机器学习（machine learning）以及数据挖掘（data mining）软件。它被广泛用于教学，研究和工业应用，包含用于标准机器学习任务的大量内置工具，并且可以透明地访问scikit-learn，R和Deeplearning4j等知名工具箱。它和它的源代码可在其官方网站下载。有趣的是，该软件的缩写WEKA也是新西兰独有的一种鸟名（新西兰秧鸡），而Weka的主要开发者同时恰好来自新西兰的怀卡托大学（The University of Waikato）。
WEKA互操作性
WEKA可以与最流行的数据科学工具集成。
R
通过使用R的RWeka软件包，可以在R中使用，构建和评估Weka模型；相反，可以使用Weka的RPlugin软件包从Weka调用R算法和可视化工具。
Python
可以使用Python Weka Wrapper从Python访问Weka的功能。相反，可以从Weka使用scikit-learn之类的Python工具包。
Saprk
为了在真正的大型数据集上运行基于Weka的算法，可以使用分布式的Weka for Spark软件包。例如，它可以训练Spark中的任何Weka分类器。
四、R系统与语言
R: The R Project for Statistical Computing
https://www.r-project.org/
R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
是统计领域广泛使用的诞生于1980年左右的S语言的一个分支。可以认为R是S语言的一种实现。而S语言是由AT&T贝尔实验室开发的一种用来进行数据探索、统计分析和作图的解释型语言。最初S语言的实现版本主要是S-PLUS。S-PLUS是一个商业软件，它基于S语言，并由MathSoft公司的统计科学部进一步完善。后来新西兰奥克兰大学的Robert Gentleman和Ross Ihaka及其他志愿人员开发了一个R系统。由“R开发核心团队”负责开发。R可以看作贝尔实验室（AT&T BellLaboratories）的RickBecker，JohnChambers和AllanWilks开发的S语言的一种实现。当然,S语言也是S-Plus的基础。所以,两者在程序语法上可以说是几乎一样的,可能只是在函数方面有细微差别,程序十分容易地就能移植到一程序中,而很多一的程序只要稍加修改也能运用于R。
R软件包自2014年以来逐渐成为数据分析者的首选工具。有分析认为，全球有超过百万的分析师（包括最终用户）寻找容易使用的大数据分析工具，R软件包有可能替代商用的SAS及SPSS分析软件，成为人们的最佳选择口
五、深度学习工具TensorFlow，Caffe
5.1.TensorFlow
关于TensorFlow | TensorFlow中文官网
https://tensorflow.google.cn/
TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。
轻松地构建模型
TensorFlow 提供多个抽象级别，因此您可以根据自己的需求选择合适的级别。您可以使用高阶 Keras API 构建和训练模型，该 API 让您能够轻松地开始使用 TensorFlow 和机器学习。
如果您需要更高的灵活性，则可以借助即刻执行环境进行快速迭代和直观的调试。对于大型机器学习训练任务，您可以使用 Distribution Strategy API 在不同的硬件配置上进行分布式训练，而无需更改模型定义。
随时随地进行可靠的机器学习生产
TensorFlow 始终提供直接的生产途径。不管是在服务器、边缘设备还是网络上，TensorFlow 都可以助您轻松地训练和部署模型，无论您使用何种语言或平台。
如果您需要完整的生产型机器学习流水线，请使用 TensorFlow Extended (TFX)。要在移动设备和边缘设备上进行推断，请使用 TensorFlow Lite。请使用 TensorFlow.js 在 JavaScript 环境中训练和部署模型。
强大的研究实验
构建和训练先进的模型，并且不会降低速度或性能。借助 Keras Functional API 和 Model Subclassing API 等功能，TensorFlow 可以助您灵活地创建复杂拓扑并实现相关控制。为了轻松地设计原型并快速进行调试，请使用即刻执行环境。
TensorFlow 还支持强大的附加库和模型生态系统以供您开展实验，包括 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 和 BERT。
5.2.Caffe
Caffe2 | A New Lightweight, Modular, and Scalable Deep Learning Framework
https://caffe2.ai/
Caffe，全称Convolutional Architecture for Fast Feature Embedding，是一个兼具表达性、速度和思维模块化的深度学习框架。由伯克利人工智能研究小组和伯克利视觉和学习中心开发。虽然其内核是用C++编写的，但Caffe有Python和Matlab 相关接口。Caffe支持多种类型的深度学习架构，面向图像分类和图像分割，还支持CNN、RCNN、LSTM和全连接神经网络设计。Caffe支持基于GPU和CPU的加速计算内核库，如NVIDIA cuDNN和Intel MKL。
特点
- Caffe 完全开源，并且在有多个活跃社区沟通解答问题，同时提供了一个用于训练、测试等完整工具包，可以帮助使用者快速上手。此外 Caffe 还具有以下特点：
- 模块性：Caffe 以模块化原则设计，实现了对新的数据格式，网络层和损失函数轻松扩展。
- 表示和实现分离：Caffe 已经用谷歌的 Protocl Buffer定义模型文件。使用特殊的文本文件 prototxt 表示网络结构，以有向非循环图形式的网络构建。
- Python和MATLAB结合： Caffe 提供了 Python 和 MATLAB 接口，供使用者选择熟悉的语言调用部署算法应用。
- GPU 加速：利用了 MKL、Open BLAS、cu BLAS 等计算库，利用GPU实现计算加速。