編者按：機器學習是目前最炙手可熱的技術之一， 各大公司都在積極招聘相關的程式猿， 來填補機器學習和深度學習代碼編寫的空缺。 誠然， 根據相關的招聘統計資料， Python 語言目前已經超越 Java 成為雇主最亟須的機器學習程式設計技能。 但事實上， Java 在專案開發中仍然發揮著不可替代的作用， 並且許多流行的機器學習框架本身就是由 Java 寫成的。 因此， 基於 Java 語言， 今天我們在這裡推薦五個業內頂尖的機器學習庫。 原文載於 jaxenter.com網站， 雷鋒網編譯。
Weka
地址：http://www.cs.waikato.ac.nz/ml/weka/index.html
毫無疑問， Weka 是目前首選的 Java 機器學習庫。
它由紐西蘭懷卡托大學（University of Waikato）的機器學習項目組研發。 其命名來源於一種紐西蘭特有的不會飛的鳥——紐西蘭秧雞， 紐西蘭秧雞的英文名稱就是 Weka。 按照官網描述， Weka 吸收了許多目前常用的機器學習演算法， 並且完全基於 Java 環境， 開源， 免費， 具有易於使用的圖形介面， 適合於資料採擷，
來自懷卡托大學的電腦科學教授 Eibe Frank 表示：“Weka 最大的優勢在於分類， 因此需要自動資料分類的應用程式可以從中獲益。 但同時它也支援資料預處理、聚類、關聯規則挖掘、時間序列預測、特徵選擇、和異常檢測等場景。 ”
開發者可以直接通過 Weka 軟體處理目標資料集， 同時也支援用戶在自己編寫的代碼中調用， 將 Weka 視為一個靈活的元件。 更貼心的是， 懷卡托大學還提供了許多免費的基於 Weka 的資料採擷和機器學習視頻教程， 感興趣的朋友可以在 Weka 官網點擊查看。
Massive Online Analysis (MOA)
地址：http://moa.cms.waikato.ac.nz/
和 Weka 一脈相承， MOA 的命名也是來源於一種紐西蘭特有的無翼大鳥——紐西蘭恐鳥（目前已滅絕）。 MOA 也是基於 Java 環境， 開源， 免費， 在面對複雜問題時， MOA 還能和 Weka 協同工作。
MOA 在運算效率和記憶體佔用方面都做了特殊優化， 通過提供易於擴展的底層結構、可複用的資料流程分析設置以及一系列內部實現好機器學習演算法， MOA 為即時資料流分析提供了一個非常優秀的基準框架， 因此在即時資料流挖掘領域的應用非常廣泛。
Deeplearning4j
地址：https://deeplearning4j.org/
Deeplearning4j（Deep Learning For Java）是 Java 和 Scala 環境下的一個開源分散式的深度學習項目，
去年， JAXenter 社區曾提名 Deeplearning4j 作為 Java 生態系統最具創新的貢獻者之一。
Deeplearning4j 旨在為工作在 Hadoop 框架下的 Java、Scala 和 Clojure 程式師提供一個可以靈活 DIY 的機器學習工具。 團隊在官網表示， 他們希望通過一些機器學習演算法的開發， 將商業帶入智慧化資料的時代。 也正是為了實現這一理想， 惠及更多的用戶， 因此選擇了移植性更好的 Java 環境來實現這些演算法。 目前， Deeplearning4j 在模式識別、時間序列檢測和基於語音、文本的情感識別方面應用廣泛， 包括穀歌、Facebook和微軟等巨頭公司都是它的用戶。
MALLET
地址：http://mallet.cs.umass.edu/
MALLET主要由來自麻省大學（University of Massachusetts）的Andrew McCallum教授和其學生開發，是一個基於 Java 環境的開源機器學習工具包。主要應用于統計自然語言處理，文檔分類，聚類，主題建模，資訊提取等文本類分析場景。
MALLET 內部實現了許多功能強大的工具，包括用於文檔分類的高級工具，用於序列標記的工具，和用於主題建模的工具等。MALLET 還支援各種類型的演算法，包括樸素貝葉斯，決策樹和最大熵等。此外，MALLET 還提供了許多常式，包括分詞，刪除停用詞，將文本轉換為向量表示等。
ELKI
地址：https://elki-project.github.io/
ELKI 的全稱是：Environment for Developing KDD-Applications Supported by Index-Structures，即由索引結構支援的 KDD 應用開發環境，這裡 KDD 是指 Knowledge Discovery in Database，即知識發現。
ELKI 也是一款知名的基於 Java 環境的資料採擷軟體。ELKI 的重點是演算法研究，強調聚類分析，資料庫索引和孤立點檢測等無監督方法。ELKI 可以對資料採擷演算法和資料管理任務進行各自獨立的分析，這在其他資料採擷框架（如 Weta 和 Rapidminer）中是獨一無二的。此外，ELKI 還支持各種資料類型和檔案格式，以及各種相似性度量方法。
ELKI 專為研究人員和學生設計，提供了大量可靈活配置的演算法參數，以便進行簡單和公平的演算法評估。目前 ELKI 已經被廣泛應用於各種資料科學的相關領域，包括鯨魚的回聲定位，航太飛行操作，共用單車分配和交通預測等。
雷鋒網相關閱讀：
Python、R、Java、 C++ 等：從業界回饋看機器學習語言趨勢
資料科學入門難？老司機為你盤點 24 門精品課程
MALLET主要由來自麻省大學（University of Massachusetts）的Andrew McCallum教授和其學生開發，是一個基於 Java 環境的開源機器學習工具包。主要應用于統計自然語言處理，文檔分類，聚類，主題建模，資訊提取等文本類分析場景。
MALLET 內部實現了許多功能強大的工具，包括用於文檔分類的高級工具，用於序列標記的工具，和用於主題建模的工具等。MALLET 還支援各種類型的演算法，包括樸素貝葉斯，決策樹和最大熵等。此外，MALLET 還提供了許多常式，包括分詞，刪除停用詞，將文本轉換為向量表示等。
ELKI
地址：https://elki-project.github.io/
ELKI 的全稱是：Environment for Developing KDD-Applications Supported by Index-Structures，即由索引結構支援的 KDD 應用開發環境，這裡 KDD 是指 Knowledge Discovery in Database，即知識發現。
ELKI 也是一款知名的基於 Java 環境的資料採擷軟體。ELKI 的重點是演算法研究，強調聚類分析，資料庫索引和孤立點檢測等無監督方法。ELKI 可以對資料採擷演算法和資料管理任務進行各自獨立的分析，這在其他資料採擷框架（如 Weta 和 Rapidminer）中是獨一無二的。此外，ELKI 還支持各種資料類型和檔案格式，以及各種相似性度量方法。
ELKI 專為研究人員和學生設計，提供了大量可靈活配置的演算法參數，以便進行簡單和公平的演算法評估。目前 ELKI 已經被廣泛應用於各種資料科學的相關領域，包括鯨魚的回聲定位，航太飛行操作，共用單車分配和交通預測等。
雷鋒網相關閱讀：
Python、R、Java、 C++ 等：從業界回饋看機器學習語言趨勢
資料科學入門難？老司機為你盤點 24 門精品課程