· PythonEcosystem (适合中级学习者). 尤其是SciPy平台的pandas和scikit-learn。开发时你可以直接使用上面的代码和模型，它们的可靠性足够用来运行操作了。

　　· R Platform (适合高级学习者).R语言是为统计计算设计的，虽然语言艰深而且部分软件包文档很少，但它提供了很多方法。

　　针对专门领域，推荐的工具如下：

　　· 用于深度学习的Keras. Keras使用Python语言，意味着你可以充分利用整个Python生态系统，节省大量时间。它的界面非常干净，同时也支持Theano和Keras后端。

　　· 用于损失函数的XGBoost. 这是能最快实现损失函数的工具，它也支持R语言和Python。

　　以上只是我的一些个人推荐。同时也要学习怎样使用你选择的工具，成为这方面的专家。

　　用哪种编程语言？

　　用哪种编程语言都没关系，甚至用哪种工具也不会有什么影响。你在一个平台上实践时学到的技巧也能很容易转移到另一个平台。

　　第4步：用数据集练习

　　确定了程序和工具后，就需要练习，做很多练习。

　　用标准机器学习数据集练习。

　　· 使用从现实问题（而不是人造问题）中收集的真实数据集

　　· 使用适合内存和excel表单的小型数据集

　　· 使用好理解的数据集，以便预测结果类型