Kotlin 机器学习食谱

引言

《Kotlin ML Recipes》一书（作者：Ajay Balamurugadas，2022年出版，共280页）是一本用 Kotlin 语言实现的机器学习任务实用解决方案集。与众多面向 Python 的书籍不同，本书填补了为在 JVM 生态系统中工作、并偏爱 Kotlin 简洁性、安全性和与 Java 兼容性的开发者所留下的空白。该书由 Apress 出版社出版，旨在帮助工程师将 ML 模型直接集成到生产代码中，而无需切换至其他语言。

本书内容

《Kotlin ML Recipes》并非关于统计学或算法的理论教科书，而是一本采用“食谱”形式的实用指南。每章都包含具体任务、分步说明和现成代码。作者涵盖了完整的数据处理流程：从数据加载和预处理，到模型训练、评估和部署。主要主题包括：

• 使用 Kotlin 的 ML 库（Koma、Smile、KotlinDL、Deep Learning for JVM）；
• 与流行 Java 框架（Weka、Deeplearning4j、TensorFlow Java）的集成；
• 经典算法：线性回归、决策树、随机森林、SVM；
• 使用 KotlinDL 进行神经网络和深度学习；
• 文本处理与 NLP（分词、TF-IDF、Word2Vec）；
• 图像处理与卷积网络；
• 模型序列化与导出为 ONNX 格式；
• 在 Ktor 上以 REST 服务形式部署模型。

目标读者

本书面向具备基本语言知识、希望在不转向 Python 的情况下掌握机器学习的 Kotlin 开发者。同时，它也适用于正在转向 Kotlin 的 Java 程序员，以及希望将其数据处理流程迁移到 JVM 技术栈的数据科学家。假设读者已了解 ML 基础知识（如什么是监督学习、质量指标），但不一定具备在 Kotlin 上实现模型的经验。

读者将学到什么

• 如何为 Kotlin 上的 ML 项目配置环境（Gradle、依赖项）；
• 如何使用 Kotlin 惯用语法（序列、扩展函数）加载和清理数据；
• 如何“从零开始”并借助库实现 10 多种经典机器学习算法；
• 如何在 KotlinDL 上构建和训练神经网络；
• 如何为 ML 任务处理文本和图像；
• 如何评估模型（交叉验证、混淆矩阵、ROC-AUC）；
• 如何保存训练好的模型并将其加载到生产环境中；
• 如何在 Ktor 上为模型创建 REST API。

优势

本书的主要优点是注重实践。每个食谱都附有完整代码，可直接复制并运行。作者关注常见错误及其避免方法。本书结构清晰：从简单示例到复杂示例，从经典方法到深度学习。特别值得一提的是关于部署的章节——这在 JVM 上的 ML 书籍中很少见。此外，代码采用现代 Kotlin 风格编写（没有多余的 Java 结构），读起来令人愉悦。

推荐给谁

我向所有希望用机器学习扩展技能栈的 Kotlin 开发者，以及在 JVM 上构建 ML 服务的团队推荐本书。它也适合正在学习 Kotlin 并希望将其应用于数据科学的学生。如果您已经了解 Python ML，但在 Kotlin 项目中工作，本书将为您节省数小时的搜索时间。

然而，需要注意的是，本书不能替代统计学或算法的基础课程——它侧重于实现。对于 ML 新手，可能需要并行学习理论知识。

总的来说，《Kotlin ML Recipes》是一本高质量、及时的出版物，填补了 Kotlin 文献中的一个重要空白。评分：8/10。