Java クックブック、第 4 版

第11章. データサイエンスとR

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

データ・サイエンスは比較的新しい学問分野であり、オライリーのマイク・ルーキデスによるこの記事（）で初めて多くの人の注目を集めた。この分野には多くの定義があるが、ルーキデスはこの分野の詳細な観察と参加をこの定義に集約した：

データ・アプリケーションは、データそのものからその価値を獲得し、その結果としてより多くのデータを作成する。単なるデータ・アプリケーションではなく、データ製品なのだ。データ・サイエンスはデータ製品の創造を可能にする。

データサイエンスソフトウェアの主要なオープンソースエコシステムの1つがApacheで、Hadoop（HDFS分散ファイルシステム、HadoopMap/Reduceを含む）、Cassandra分散データベース、Sparkコンピュートエンジンを含む、¹ 最新のリストについては、Hadoopページの「モジュールとリレーショナル・ツール」のセクションを読もう。

ここで興味深いのは、データサイエンティストにとって当たり前のこのインフラの多くが、JavaとScala（JVM言語）で書かれていることだ。 残りの多くは、Javaを補完する言語であるPythonで書かれている。

データサイエンスの問題には多くの設定が必要な場合があるので、ここでは従来のDSからSparkフレームワークを使った例を1つだけ紹介する。 SparkはScalaで書かれているので、Javaコードから直接使うことができる。

Rは広く使われており、知っておくと便利である。Rの主な実装はJavaで書かれたものではなく、C言語とFortranとR自身の混合言語である。 しかし、RはJavaの中で使うことができ、JavaはRの中で使うことができる。Rのいくつかの実装とその選び方について話し、RからJavaを使うテクニックとJavaからRを使うテクニック、そしてウェブアプリケーションでRを使うテクニックを紹介する。

11.1 Javaによるマシン学習

問題

機械学習やデータサイエンスにJavaを使いたいのに、みんなPythonを使えと言う。

解決策

無料でダウンロードできる数多くの強力なJavaツールキットのいずれかを使用する。

ディスカッション

機械学習（ML）や深層学習（Deep Learning）は、効率化のためにC++で、あるいはソフトウェアの豊富さのためにPythonでやらなければならないと言われることがある。 これらの言語には利点があり、支持者もいるが、これらの目的にJavaを使うことは確かに可能だ。 しかし、これらのパッケージをセットアップし、短いデモを紹介するとなると、本書の典型的なレシピ形式では収まらない長さになりがちだ。

業界大手のAmazonが、本書の出版と同時にJavaベースのDeep Java Learning (DJL)ライブラリをリリースしたし、他にも多くの優れたライブラリが利用できる（GPUベースの処理を高速化するためにCUDAをサポートしているものもかなりある）ので（表11-1参照）、MLにJavaを使わない理由はない。 DJLを除いて、現在も保守が続けられていて、ユーザの間でそれなりの評判があるパッケージをリストアップしてみた。

表11-1. いくつかのJavaマシン学習パッケージ

図書館名	説明	情報URL	ソースURL
ADAMS	データドリブンでリアクティブなワークフローを構築／維持するためのワークフローエンジン。 ...