机器学习工程师与数据专家分工不同：前者负责构建、开发与维护ML产品；后者从事研究分析，评估系统影响并形成项目思路。以下是目前主流的15个机器学习框架简介：
Apache Singa：通用分布式深度学习平台，支持CNN、RNN等模型，设计分层抽象。
Amazon ML：提供可视化向导，降低ML使用门槛。
Azure ML Studio：Azure云端训练与部署，支持微软及第三方算法，免费试用8小时。
Caffe：伯克利开发，基于配置而非编码，CPU/GPU无缝切换，单GPU日处理超6000万图。
H2O：易用的预测分析平台，支持Web UI和主流数据库，可扩展至Hadoop。
MOA：数据流挖掘开源框架，含分类、聚类、推荐等算法，Java编写。
MLlib (Spark)：Spark机器学习库，可伸缩，含分类、回归、协同过滤等。
Mlpack：C++库，追求高效与易用，提供命令行和C++ API。
Pattern：Python Web挖掘组件，支持爬虫、NLP、SVM等。
Scikit-Learn：基于Numpy/SciPy的Python库，涵盖聚类、分类、回归，开源且社区活跃。
Shogun：始于1999年的C++库，通过SWIG支持Java、Python、R等多语言。
TensorFlow：开源数值计算库，基于数据流图，支持CPU/GPU，C++/Python接口。
Theano：Python数值计算库，可定义优化表达式，性能接近C。
Torch：基于LuaJIT和C/CUDA，GPU优先，生态丰富。
Veles：C++分布式深度学习平台，Python辅助，REST API支持快速部署。