The 5 najlepszych języków programowania dla awansu AI

Sztuczna inteligencja (Man-Made Brainspower) otwiera wszechświat możliwości projektantów aplikacji. Wykorzystując uczenie się ai lub głęboką, możesz stworzyć znacznie lepsze profile klientów, personalizację i sugestie, lub skonsolidować bardziej błyskotliwe polowania, interfejs głosowy lub mądry pomocy lub pracować nad aplikacją na kilku alternatywnych sposobach. Możesz nawet formować aplikacje, które widzą, słyszą i odpowiadają na okoliczności, których kiedykolwiek nie spodziewasz.

Który język programowania byłby wskazany, abyś mógł dowiedzieć się, jak zabarwiać głębokości AI? Najwyraźniej potrzebujesz języka z wieloma wielkimi bibliotekami nauczania AI i głębokości. Należy również podobać dołączyć wspaniałe wykonanie wykonawcze, wspaniałe wsparcie na instrumenty, ogromny obszar lokalny deweloperów oraz dźwięk biologiczny system wspierających pakiety. Jest to rozległy stężenie potrzebnych, ale nadal istnieje wiele dobrych alternatyw.

Oto moje wybory dla sześciu najlepszych dialektów programistycznych dla awansu AI, obok dwóch ogłoszeń o wartościach uwagi. Część tych dialektów znajdują się po wejściu, podczas gdy inni ślizgają się. Jeszcze inni, których potrzebujesz, aby pomyśleć w przypadku, gdy chcesz nagrać głębokie wzory i zastosowaniach uczenia się. A może postrzegać, jak wszystkie łączą się.

Python

przy numerze, jego wciąż python. Jak to możliwe, że byłoby to coś innego? Chociaż istnieją inaczej rzeczy o Pythonie, na wypadek, gdybyś osiągnął pracę AI, bardziej prawdopodobne niż nie wykorzysta Pythona prędzej czy później. Co więcej, część nieprzyjemnych miejsc wygładzi się trochę.

Gdy udamy się do 2020 r., Kwestia Pythona 2.x Versus Python 3.x staje się niepokojąca, ponieważ każda znaczna biblioteka podtrzymuje Python 3.x i upuszcza Python 2.x Pomoc w pośpiechu. W sumie możesz w końcu exploit, wszystkie nowe języki obejmuje zdecydowanie.

I pamiętaj, że pytony łączą się z złych marzeń, gdzie każdy wyjątkowy układ jest zepsuty w nieco wyjątkowy sposób, jest jeszcze obecny, możesz wykorzystać anakondę około 95% czasu, a nie stresować się na ekstremum. W każdym razie byłoby przyjemne, jeśli świat Python mógłby naprawić ten długotrwały problem po raz ostatni.

Wszystkie rzeczy rozważane, biblioteki matematyczne i szczegóły dostępne w Pythonie są praktycznie niezrównane w różnych dialektach. Numpy stała się tak uniwersalna, że ​​jest tylko o standardowym API dla zadań Tensora, a Pandas przynosi niesamowite i adaptowalne dane Dataframes do Pythona. W przypadku regularnego obchodzenia się z językiem (NLP) masz pełnoletni Nltk i blazooks-Szybki spacy. Dla AI jest walka z SCIKIT-Dowiedz się. Co więcej, w odniesieniu do głębokiego uczenia się, całość obecnych bibliotek (Tensorflow, Pytorch, Chainer, Apache MXNet, Thano i tak dalej) są odpowiednio Python-pierwsze przedsiębiorstwa.

Zakładając, że przekroczenie najnowocześniejszego badań uczenia się w Arxiwie, odkryjesz większość badań, które oferują kod źródłowy Robić jako taki w Pythonie. Następnie w tym miejscu znajdują się różne elementy środowiska Pythona. Podczas gdy IPython stał się notebookiem Jupsytrem, a mniej napędzany pytonem, w każdym przypadku, w jakimkolwiek przypadku, w którym większość jupiterów notebooków, a zdecydowana większość zadrapańskiej podkładki udostępnionej w sieci, użyj Pythona. W odniesieniu do modeli wysyłających, podejście projektów Microvice i zaliczek, na przykład, seldon rdzeń oznacza, że ​​jego wyjątkowo proste do przenoszenia modeli Pythona w tej chwili.

nie ma sposobu, aby go uniknąć. Python jest językiem w skrajnej krawędzi badań AI, tym jeden śledzisz najbardziej AI i głębokie struktury uczenia się, a tym, że prawie wszyscy w świecie AI rozmawia. Dlatego Python jest najpierw wśród Dialektów Programowania AI, pomimo sposobu, w jaki twój twórca ujawnia problemy z białe znaki w każdym razie każdego dnia.

C ++

C ++ prawdopodobnie nie będzie najlepszą opcją podczas wspierania aplikacji AI, a jednocześnie, gdy trzeba napisać każdą cyfrę egzekucji z ram, sytuacja, która okazuje się być bardziej normalna, ponieważ głębokie uczenie się idzie do krawędzi I musisz uruchomić modele na aktywach zobowiązanych ram, idealną okazją do ponownego wyrównania w wszechświatu w wszechświecie.

Na szczęście prąd C ++ może być piękny do komponowania (prawdziwego!). Masz wybór podejść. Możesz zrobić zanurzyć się w dolnej części stosu, wykorzystując biblioteki, takie jak NVIDIAS CUDA, aby skomponować własny kod, który działa prosto na GPU, lub można wykorzystać tensorflow lub Pytorch, aby uzyskać dopuszczenie do adaptacji znaczących API. Zarówno Pytorch, jak i Tensorflow pozwalają na stosowanie modeli utworzonych w Pythonie (lub Pyttorchs Torchscript podzbicie Pythona) i uruchamiają je prosto w czasie wykonywania C ++, rysując cię bliżej do odkrytego metalu do tworzenia podczas zapisywania opracowywanych adaptacji.

Więc, C ++ zamienia się w podstawowy kawałek skrzydła narzędzia, gdy aplikacje AI pomnożą wszystkie gadżety z mętnych wszczepionych ram do grup kolosowych. Sztuczna inteligencja na krawędzi implikuje wystarczająco trudne, aby być dłużej; Powinieneś być akceptowalny i szybki.

Java i inne dialekty JVM

Grupa Dialektów JVM (Java, Scala, Kotlin, Clojure its) utrzymuje niesamowitą decyzję o rozwoju aplikacji AI. Masz obfitość bibliotek dostępnych dla wszystkich kawałków rurociągu, niezależnie od tego, czy jego regularna obsługa języka (Corenlp), działalność Tensora (ND4J), lub pełny układ uczenia się GPU (DL4J). Poza tym można uzyskać prosty wstęp do ogromnych etapów informacyjnych, takich jak Apache Spark i Apache Hadoop.

Java jest najczęściej używanym językiem większości przedsięwzięć, a dzięki nowym języku buduje dostęp do Java 8 i późniejszych formularzy, komponowanie Kod Java nie jest pogardliwym doświadczeniem, który znacznie nam pamiętał. Komponowanie aplikacji AI w Javie może odczuwać wyczerpujące dotknięcie, jednak może dbać o biznes i możesz wykorzystać wszystkie obecne ramy Java na rzecz rozwoju, organizacji i obserwacji.

javascript

Prawdopodobnie nie udarni się wyłącznie JavaScript do komponowania aplikacji AI, ale Googles Tensorflow.js. Przechodzi do poprawy i oferują fascynującą metodę przekazywania modeli Kerasa i Tensorlow do swojego programu lub przez węzeł obliczenia.

Niezależnie od jednej rzeczy, które nie widzimy, ponieważ wysyłka Tensorflow.js jest ogromnym potopem inżynierów JavaScript zalającą w przestrzeni AI. Czuję, że może być z powodu obejmującego systemu biologicznego JavaScript, który nie ma związku Dostępnych bibliotek w przeciwieństwie do dialektów, takich jak Python.

Ponadto, po stronie robotniczej, nie jest w rzeczywistości sporo korzyści do przenoszenia modeli z węzłem węzła.js, a nie jedną z alternatyw Pythona, więc możemy zobaczyć aplikacje AI opartego na JavaScript pozostaną głównie programem, który wkrótce znajduje się. Jednak to faktycznie określa wiele intrygujących otwartych drzwi do rozrywki tylko jak polowanie na Scavenger Emoji.

Swift

Swift for Tensorflow. Całkowicie skomponowane, Sans Cruft ograniczający najlepszych atrakcji w klasie Tensorflow i Dim Wizardry, który pozwala na import bibliotek Pythona, jak gdybyś wykorzystał Pythona w każdym przypadku.

Grupa FASTAI odprowadza się w szybką formę swojej znanej biblioteki i zagwarantowała pęczki dodatkowych postępów w produkcji i uruchomionych modeli z przeniesieniem wielkiej inteligencji do kompilatora LLVM. Czy tworzenie jest przygotowane w chwili obecnej? Właściwie jednak może na pewno skierować drogę do w górę i nadchodzącego wieku głębokiej poprawy uczenia się, więc powinieneś zbadać, co nowe z Swiftem.

R Język

r przychodzi w dolnej części naszego podręcznego, a jego spadek. R jest językiem, który informuje naukowcy, kochają. Niemniej jednak różni inżynierowie oprogramowania regularnie odkrywają r nieco pogorszenia, ze względu na jego metodologię oparty na dataframe. Zgodnie z szansą, że masz poświęconych gromadzeniu R inżynierów, może dobrze wrócić do wykorzystania włączenia z Tensorflow, Keras lub H2O do badań, prototypowania i eksperymentów, jednak zastanawiam się, czy sugeruje, czy sugerować R do użycia tworzenia lub Dla poprawy Greenfield, ze względu na wykonanie i obawy funkcjonalne. Podczas gdy możesz komponować Performant R Kode, który może być przenoszony na pracowników tworzenia, będzie bardziej prawdopodobne, że nie będzie prostsze, aby wziąć model R i przekształcić go w Java lub Pythonie.