MLlib 是什么，和 TensorFlow、PyTorch 这类框架有什么不同？
MLlib 是 Apache Spark 自带的分布式机器学习库，不是一个独立的 AI 应用，而是 Spark 生态中的一个标准模块。与 TensorFlow、PyTorch 这类深度学习框架不同，MLlib 更侧重传统机器学习算法在大规模数据上的分布式执行——分类、回归、聚类、推荐、频繁模式挖掘等。如果你已经有 Spark 集群在跑数据处理任务，MLlib 可以让你在同一个平台上完成从 ETL 到模型训练的全流程，不用把数据导出来再换工具。
MLlib 支持哪些算法和功能？
官网列出的算法清单涵盖了机器学习的主要方向。分类算法包括逻辑回归、朴素贝叶斯等；回归算法包括广义线性回归和生存回归；树模型方面支持决策树、随机森林和梯度提升树（GBT）；推荐系统使用交替最小二乘法（ALS）；聚类支持 K-means 和高斯混合模型（GMM）；主题建模提供 LDA 潜在狄利克雷分配；还有频繁项集挖掘和关联规则分析。除了算法，MLlib 还提供了一整套工作流工具：特征标准化和归一化、ML Pipeline 管道构建、交叉验证和超参数搜索、模型保存和加载，以及 SVD/PCA 等分布式线性代数运算。
使用 MLlib 需要什么技术基础？
MLlib 是一个编程库，不是图形化工具——你需要掌握 Java、Scala、Python 或 R 中至少一门语言，并且了解 Spark 的基本使用方式（RDD/DataFrame API）。你需要自己搭建或接入 Spark 集群（可以是 Hadoop YARN、Kubernetes、Mesos 或 Spark 自带的独立模式），然后通过代码调用 MLlib 的 API 来训练和部署模型。如果你不做分布式计算、只处理小规模数据，scikit-learn 等单机机器学习库可能是更轻量的选择。
MLlib 适合什么样的场景和团队？
MLlib 特别适合"数据已经在 Spark/Hadoop 生态里"的团队。典型的场景包括：电商平台用 Spark 做用户行为分析后用 MLlib 训练推荐模型；金融风控团队在 Spark 上做特征工程后直接用 MLlib 训练分类模型；大数据团队需要对 TB/PB 级数据做聚类或频繁模式挖掘。它的优势在于数据和计算都在同一个分布式环境中完成，避免了数据跨平台搬运的成本。
和 Spark MLlib 相关的工具还有哪些？
在 Spark 生态内，MLlib 与 Spark SQL、Spark Streaming、GraphX 等模块可以配合使用。如果你需要深度学习能力，可以考虑 Spark 上的第三方深度学习库（如 BigDL 或 TensorFlowOnSpark）。如果你需要 GPU 算力来训练模型，可以搭配智算云扉这类 GPU 算力云平台。如果你想用低代码方式构建 AI 应用流程，Mind Studio 这类平台可能比直接写 MLlib 代码更友好——它们解决的是不同层面的问题。
