一、以下哪些程序包提供了机器学习功能
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
二、主流机器人ABB KUKA等用什么编程软件，软件通用吗？自学难度。robotmaster和RobotStudio介绍。悬赏50。
常用离线编程软件：
国内 (通用）：RobotArt
国外（通用）：RobotMaster、 RobotWorks、Robomove、RobAD、DELMIA
机器人厂家（专用）：RobotStudio、 RoboGuide、KUKA Sim
国内 RobotArt 独领风骚，领先国内同行4-5年时间，官网有免费下载，需要官网注册试用账号。
国外，RobotMaster 相对来说最强的， 基于 MasterCAM 平台，生成数控加工轨迹是优势，RobotWorks, RoboMove 次之， 但一套都要几十万大洋，目前没试用。RobAD, DElMIA都侧重仿真，价格比前者还贵，还是搜*解版吧。
机器人厂家的离线编程软件，以ABB 的RobotStudio 是强，但也仅仅是把示教放到了电脑中，注重是仿真和节拍统计。
=================================
以下这些介绍是以前整理的，供参考：
1、RobotArt优点：
1)支持多种格式的三维CAD模型，可导入扩展名为step、igs、stl、x_t、prt(UG)、prt(ProE）、CATPart、sldpart等格式；
2)支持多种品牌工业机器人离线编程操作，如ABB、KUKA、Fanuc、Yaskawa、Staubli、KEBA系列、新时达、广数等）；
3)拥有大量航空航天高端应用经验；
4)自动识别与搜索CAD模型的点、线、面信息生成轨迹；
5)轨迹与CAD模型特征关联，模型移动或变形，轨迹自动变化；
6)一键优化轨迹与几何级别的碰撞检测；
7)支持多种工艺包，如切割、焊接、喷涂、去毛刺、数控加工；
8)支持将整个工作站仿真动画发布到网页、手机端；
2、RobotMaster优点：
可以按照产品数模，生成程序，适用于切割、铣削、焊接、喷涂等等。独家的优化功能，运动学规划和碰撞检测非常精确，支持外部轴（直线导轨系统、旋转系统），并支持复合外部轴组合系统。
3、RobotWorks优点：
优点：生成轨迹方式多样、支持多种机器人、支持外部轴。
4、Robomove优点：
软件操作自由，功能完善，支持多台机器人仿真。
5、RobAD优点：
ROBCAD 软件支持离线点焊、支持多台机器人仿真、支持非机器人运动机构仿真，精确的节拍仿真。
RobotStudio、 RoboGuide、KUKA Sim机器人本体厂家的离线编程软件，与本体厂家的机器人兼容性很好。
三、如何评价一个好的推荐系统算法 – 我爱机器学习
如何更好地掌握机器学习Colorado是伯克利大学的在读博士，同时也是Metacademy的创始人。Metacademy是一个优秀的开源平台，许多专业人员共同在这个平台上编写wiki文章。目前，这些文章主要围绕着机器学习和人工智能这两个主题。在Colorado的建议中，更好地学习机器学习的方法就是不断的通过书本学习。他认为读书的目的就是让心中有书。一个博士在读生给出这样的建议并不令人惊讶，以前本站可能还推荐过类似的建议。这个建议还可以，但我不认为适用每个人。如果你是个开发者，想实现机器学习的算法。下面列出的书籍是一个很好的参考，可以从中逐步学习。机器学习路线图他的关于机器学习的路线图分为5个级别，每个级别都对应一本书必须要掌握的书。这5个级别如下：Level0（新手）：阅读《DataSmart:UsingDataSciencetoTransformInformationintoInsight》。需要了解电子表格、和一些算法的高级数据流。Level1（学徒）：阅读《MachineLearningwithR》。学习在不同的情况下用R语言应用不同的机器学习算法。需要一点点基本的编程、线性代数、微积分和概率论知识。Level2（熟练工）：阅读《PatternRecognitionandMachineLearning》。从数学角度理解机器学习算法的工作原理。理解并调试机器学习方法的输出结果，同时对机器学习的概念有更深的了解。需要有算法、较好的线性代数、一些向量积分、一些算法实现经验。Level3（大师）：阅读《ProbabilisticGraphicalModels:PrinciplesandTechniques》。深入了解一些高级主题，如凸优化、组合优化、概率论、微分几何，及其他数学知识。深入了解概率图模型，了解何时应该使用以及如何解释其输出结果。Leval4（宗师）：随便去学吧，记得反馈社区。Colorado针对每个级别中列出的书中章节阅读建议，并给出了建议去了解的相关顶级项目。Colorado后来重新发布了一篇博客，其中对这个路线图做了一点修改。他移除了最后一个级别，并如下定义了新的级别：好奇者、新手、学徒、熟练工、大师。他说道，Level0中的机器学习好奇者不应该阅读相关书籍，而是浏览观看与机器学习有关的顶级视频。机器学习中被忽视的主题ScottLocklin也阅读了Colorado的那篇博客，并从中受到了启发，写了一篇相应的文章，名为“机器学习中被忽视的想法”（文中有BorisArtzybasheff绘制的精美图片）。Scott认为Colorado给出的建议并没有充分的介绍机器学习领域。他认为很少有书籍能做到这一点，不过他还是喜欢PeterFlach所著的《MachineLearning:TheArtandScienceofAlgorithmsthatMakeSenseofData》这本书，因为书中也接触了一些隐晦的技术。Scott列出了书本中过分忽视的内容。如下所示：实时学习：对流数据和大数据很重要，参见VowpalWabbit。强化学习：在机器人方面有过讨论，但很少在机器学习方面讨论。“压缩”序列预测技术：压缩数据发现学习模式。参见CompLearn。面向时间序列的技术。一致性预测：为实时学习精确估计模型。噪声背景下的机器学习：如NLP和CV。特征工程：机器学习成功的关键。无监督和半监督学习。这个列表很好的指出了机器学习中没有注意到的领域。最后要说明的是，我自己也有一份关于机器学习的路线图。与Colorado一样，我的路线图仅限于分类/回归类型的监督机器学习，但还在完善中，需要进一步的调查和添加所有感兴趣的主题。与前面的“读这些书就可以了”不同，这个路线图将会给出详细的步骤。
