您建议使用哪种编程语言来原型化机器学习问题？

当前在Octave中工作，但是由于文档不佳，进度非常慢。

哪种语言易于学习和使用，并且有充分的文献记载来解决机器学习问题？我希望在一个小的数据集（成千上万的示例）上建立原型，因此速度并不重要。

编辑：我正在开发一个推荐引擎。因此，我对使用正则化线性回归，神经网络，SVN或协作过滤感兴趣。

如果您想开箱即用，Weka可能是一个很好的起点。无需编写任何程序。您可以导入数据，对其进行可视化并使用不同的模型。

下一步将是R。有一些学习曲线-特别是将数据调整为适合R数据结构的方式，但是一旦克服了这一点，您将拥有大量的库，这些库可以毫不费力地提供所有机器学习功能。

接下来是手工编程机器学习算法。由于您已经在使用Octave并正在寻找替代方案，因此您可能想要的不是在其他系统中编写算法，而只是使用其他人编写的库。

如果您走R路线，您可能会发现Luis Torgo的书（R的数据挖掘：案例研究）非常有用（披露：无隶属关系）。它详细介绍了可以适应您的问题的案例研究。

如果您指定感兴趣的特定算法，您可能会得到更好的答案。您可以在此处查看现有功能：

http://cran.r-project.org/web/views/MachineLearning.html

在Hastie，Tibshirani和Friedman的统计学习元素中有R代码可以实现分析：

http://www-stat.stanford.edu/~tibs/ElemStatLearn/

R的打包系统非常棒，可以促使人们编写他们的代码，它是开源的，因此您可以随时查看实现。几年来我没有使用过Matlab，也没有在很多机器学习中使用过Matlab-他们的工具箱通常都有很好的文档记录，但价格昂贵，但是用户提供的代码将像其他任何文件一样缺乏文献记录。

在他的机器学习在线课程中，Andrew Ng建议使用Octave / Matlab。

我建议您参加本课程的下一版：它确实很有用，您将学到许多有关Octave和不同机器学习算法的知识。

编辑1：我同意其他喜欢在R中工作的人。但是，在解决机器学习问题时，您的大多数计算将采用矩阵形式，正如@Wayne所指出的那样，Matlab或Octave语言非常受欢迎因为他们的力量。您可能想看看其他学生提出的机器学习课程练习的解决方案；当然，您可以从中学到一些东西：

吉凯博·吉图布

Merwan Github

该scikit学习（现在sklearn）应该满足几个你描述的（速度，精心设计的类来处理数据，模型和结果）的标准，包括有针对性的应用程序（L1 / L2处罚回归，SVM等）。它带有丰富的文档集和许多示例。另请参见JMLR中发表的论文中的描述。

Python中的另一个框架是Orange，可以通过简洁的GUI或直接在命令行上使用。对于协作过滤，pyrsvd可能很有趣，但我从未尝试过。但是，Apache Mahout当然可以用于协作过滤。

如果您指的是工业原型（例如，某些东西是要被真实的人使用，而不是用于纯粹的研究），那么python是目前唯一的选择。

如果使用Matlab，Octave或R，您将获得一个易于使用的ML研究环境，但是将模型与用户界面或Web服务一起使用将是一场噩梦。

在蟒蛇，我们是幸运的，同时具有广泛的科学的生态系统（sklearn为ML，熊猫数据wragling，matplotlib / seaborn可视化）和应用生态系统（想想Django和静止框架）。

Python是一种易于学习的语言。我希望将来Javascript生态系统能够像python一样在科学上健全，但是尽管有一些伟大的项目，但我认为这种情况不会很快出现。

不要把自己包裹在盒子里，要用通用的语言！