挑战：使用机器学习对 RSS 提要进行分类
最近，我接到一项任务，要求为客户创建一个 RSS 提要分类子系统。 目标是读取几十个甚至几百个 RSS 提要，将它们的许多文章自动分类到几十个预定义的主题领域当中。客户网站的内容、 导航和搜索功能都将由这个每日自动提要检索和分类结果驱动。
客户建议使用机器学习，或许还会使用 Apache Mahout 和 Hadoop 来实现该任务，因为客户最近阅读了有关这些技术的文章。但是，客户的开发团队和我们的开发团队都 更熟悉 Ruby，而不是 Java 技术。本文将介绍解决方案的技术之旅、学习过程和最终实现。
什么是机器学习？
我的第一个问题是，“究竟什么是机器学习？” 我听说过这个术语，并且隐约知道超级计算机 IBM Watson 最近使 用该技术在一场 Jeopardy 比赛中击败了人类竞争者。作为购物者和社交网络活动参与者，我也知道 Amazon.com 和 Facebook 根据其购物者数据在提供建议（如产品和人）方面表现良好。总之，机器学习取决于 IT、数学和自然语言的交集 。它主要关注以下三个主题，但客户的解决方案最终仅涉及前两个主题：
分类。根据类似项目的一组训练 数据，将相关的项分配到任意预定义的类别
建议。根据类似项目的观察来建议采用的项
集群。在一组数据内确定子组
Mahout 和 Ruby 的选择
理解了机器学习是什么之后，下一步是确 定如何实现它。根据客户的建议，Mahout 是一个合适的起点。我从 Apache 下载了代码，并开始了学习使用 Mahout 及其 兄弟 Hadoop 实现机器学习的过程。不幸的是，我发现即使对于有经验的 Java 开发人员而言，Mahout 的学习曲线也很陡 峭，并且不存在可用的样例代码。同样不幸的是，机器学习缺乏基于 Ruby 的框架或 gem。
发现 Python 和 NLTK
我继续搜索解决方案，并且在结果集中一直遇到 "Python"。作为一名 Ruby 开发人员，虽然我还没 有学过该语言，但我也知道 Python 是一个面向相似对象的、基于文本的、可理解和动态的编程语言。尽管两种语言之间存 在一些相似之处，但我多年来都忽视了学习 Python，将它视为一项多余的技能集。Python 是我的 “盲点”，我怀疑许多 Ruby 开发人员同行都是这样认为的。
搜索机器学习的书籍，并更深入研究它们的目录，我发现，有相当高比例的此 类系统在使用 Python 作为其实现语言，并使用了一个被称为 Natural Language Toolkit（NLTK，自然语言工具包）的库 。通过进一步的搜索，我发现 Python 的应用比我意识到的还要广泛，如 Google App Engine、YouTube 和使用 Django 框 架构建的网站。它甚至还预安装在我每天都使用的 Mac OS X 工作站上！此外，Python 为数学、科学和工程提供了有趣的 标准库（例如，NumPy 和 SciPy）。
我决定推行一个 Python 解决方案，因为我找到了非常好的编码示例。例如， 下面这一行代码就是通过 HTTP 读取 RSS 提要并打印其内容所需的所有代码：
print feedparser.parse("http://feeds.nytimes.com/nyt/rss/Technology")
快速掌握 Python
在学习一门新的编程语言时，最容易的部分往往是学习语言本身。较难的部分是了解它的生态 系统：如何安装它、添加库、编写代码、构造代码文件、执行它、调试它并编写单元测试。本节将简要介绍这些主题；请务 必参阅 参考资料，以获得有关详细信息的链接。