5 лучших языков программирования для AI продвижения

Искусственный интеллект (Man-Care BrainPower) открывает вселенную возможности для дизайнеров приложений. Используя AI или глубокое обучение, вы можете создать далеко превосходные клиентские профили, персонализацию и предложения или консолидировать более блестящие охоты, голосовой интерфейс или мудрой помощи или работать над вашим приложением в довольно нескольких альтернативных способах. Вы могли бы даже сформировать приложения, которые видят, слышу, и отвечают на обстоятельства, которые вы никогда не ожидаете.

Какой язык программирования будет целесообразным для вас выяснить, как оказать наибольшую оценку трудоспособности AI? Вам нужен язык с многочисленными великими библиотеками AI и глубоко изучения, очевидно. Он также должен включать в себя отличное исполнение времени выполнения, отличную поддержку инструментов, огромную местную область разработчиков и звуковую биологическую систему поддерживающих пучков. Это обширное изложение потребностей, но все еще есть много хороших альтернатив.

Вот мои выборы для шести лучших программированных диалектов для продвижения AI, наряду с двумя примечающими уведомлениями. Часть этих диалектов находятся в восхождении, в то время как другие проскальзывают. Еще другие, о которых вы, возможно, должны подумать, в случае, если вы хотите записать дизайн и приложения и приложения. Как насчет мы воспринимаем, как они все сложают.

python

на номер один, его еще питон. Как это возможно, что это было бы что-то еще, по-настоящему? Хотя в Python возникают вещи, в случае, если вы выполняете работу AI, вы, скорее всего, чем не будете использовать Python рано или поздно. Что все больше, часть неприятных пятен немного сглаживается.

Как мы отправляемся в 2020 год, выпуск Python 2.x по сравнению с Python 3.x становится нерешенным, так как в значительной степени важная библиотека поддерживает Python 3.x и бросает помощь Python 2.x в спешке. Все вообще, вы можете наконец использовать весь новый язык, включенный решительно.

И имею в виду, что питоны объединяют плохие мечты, где каждое уникальное расположение разбито в несколько уникальном порядке, пока присутствуют, вы можете использовать AnaConda примерно 95% времени и не подчеркивать вещами в крайность. В любом случае, было бы приятно, если мир Python может зафиксировать эту давнюю проблему в последний раз.

Все рассмотренные вещи, по математике и деталям библиотеки доступны в Python, практически не равны в разных диалектах. Numpy стал настолько универсальным, это только стандартное API для тензорных задач, и Pandas приносит RS невероятные и адаптируемые данные для Python. Для регулярных языковых обращений (NLP) у вас есть почитанный NLTK и плавательно-быстрый SPACY. Для AI есть борьба с Scikit - учиться. Что больше, в отношении глубокого обучения, в целом текущих библиотек (Tensorflow, Pytorch, Chainer, Apache MXnet, Theano и stread) являются адекватно Python-первыми начинаниями.

Предполагая, что вы просившееся современное исследование глубокого изучения искусства в Arxiv, вы узнаете большинство исследований, которые предлагают исходный код, как таковые в Python. Затем, в этот момент есть разные кусочки среды Python. В то время как iPython стал ноутбуком Jupyter, а менее приводимый в Python, вы будете в любом случае отслеживать, что большинство клиентов ноутбуков Jupyter и подавляющее большинство корпусных подушек поделились в Интернете, используйте Python. Что касается отправки моделей, подход проектов микросервиса и продвижения, например, Seldon Core подразумевает, что его исключительно простым для передачи моделей Python в настоящее время.

Нет способа избежать этого. Python - это язык на режущей кромке исследования AI, тот, который вы отслеживаете самые современные и глубокие учебные структуры, и тот, о котором почти все в мире говорят. Следовательно, Python сначала среди диалектов программирования AI, несмотря на то, как ваш создатель раскрывает проблемы пробелов, по существу, каждый день.

C ++

C ++, вероятно, не будет вашим лучшим вариантом при содействии приложению AI, но когда вам нужно записывать каждую и каждую цифру выполнения из структуры ситуации, которая оказывается более нормальной, так как глубокое обучение идет к краю И вам нужно управлять своими моделями на обязанности Asset Obsered Frameworks, это идеальная возможность снова рисковать в развязную вселенную вселенную указатели.

К счастью, текущий C ++ может быть приятно сочинять (подлинно!). У вас есть выбор подходов. Вы можете сделать погружение в нижнюю часть стека, используя библиотеки, такие как NVIDIAS CUDA, чтобы составить свой собственный код, который проходит прямо на вашем графическом процессе, или вы можете использовать Tensorflow или Pytorch, чтобы получить допуск на адаптацию значительного уровня API. Как Pytorch, и Tensorflow позволяют вам стекировать модели, созданные в Python (или подмножественным подмножеством Pytorchs Torchscript в Python), и запустить их прямо в среде выполнения C ++, притягивая к тому, что он приближается к раскрытому металле для создания при сохранении разрабатываемой адаптации.

Итак, C ++ превращается в базовый кусок инструмента, в качестве приложений AI размножается по всем гаджетам из самых литушек имплантированной структуры в колоссальных группах. Искусственный интеллект на краю подразумевает достаточно сложно быть точным дольше; Вы должны быть приемлемыми и быстрыми.

java и другие диалекты JVM

Группа JVM диалекты (Java, Scala, Kotlin, Clojure и т. Д.) продолжает быть невероятным решением для продвижения приложений AI. У вас есть обилие библиотек, доступных для всех произведений трубопровода, независимо от того, является ли его регулярное обращение с языковым образованием (CORENLP), тензорной деятельностью (ND4J) или полный GPU-накопленный стек глубокого обучения (DL4J). Кроме того, вы получаете простой доступ к огромным информационным этапам, таких как Apache Spark и Apache Hadoop.

Java - самый широко используемый язык большинства предприятий, и с новым языком, доступным в Java 8 и более поздних формах, составление кода Java не является презрительным опытом. Составление приложения AI в Java может почувствовать прикосновение, однако это может позаботиться о бизнесе, и вы можете использовать все ваши текущие Java Framework для продвижения, организации и наблюдения.

JavaScript

Вы, вероятно, не собираетесь изучать JavaScript исключительно для сочинения AI-приложений, но Googles Tensorflow.js продолжается улучшать и предлагать увлекательный метод транспортировки ваших моделей KERAS и Tensorflow в вашу программу или через Node.js, используя WebGL для GPU-SPED. вверх вычисления.

Несмотря на то, что одна вещь, которую мы не считаем, поскольку отправка Tensorflow.js - огромная потона инженеров JavaScript, наводними в пространстве AI. Я чувствую, что может быть из-за охватывающей биологической системы JavaScript, не имеющей глубокое доступов библиотек, в отличие от диалекторов, таких как Python.

Далее, на стороне рабочего, на самом деле не совсем полезны для передачи моделей с Node.js, а не одним из альтернатив Python, поэтому мы могли бы увидеть, что приложения AI на основе JavaScript остаются в основном, в ближайшее время. Однако, что на самом деле устанавливает много интригующих открытых дверей для развлечений, только как охота на мозга Emoji.

SWIFT

Swift для Tensorflow. Полностью состоит, что Sans Cruft ограничивает наилучшее в классе, основные моменты Tensorflow и Dim Wizardry, который позволяет им импортировать библиотеки Python, как если бы вы использовали Python в любом случае.

Fastai Group отжимается на быстрой форме их хорошо известной библиотеки, и были гарантированы модулы дополнительных достижений в производстве и эксплуатации моделей с продвижением множества Tensor Smarts в компилятор LLVM. Это творение подготовлено в настоящее время? Не на самом деле, однако, это может наверняка направить путь к UP и предстоящему возрасту улучшению глубокого обучения, поэтому вы должны изучить, что новое с Swift.

r Язык

r приходит в нижней части нашего подноса, а его снижение. R - это язык, который влюблен в информацию исследователей. Тем не менее, разные программные инженеры регулярно обнаруживают r несколько усугубляют, из-за его методологии, управляемой DataFrame. У вас есть вероятность того, что у вас есть посвященное собрание инженеров R, он может хорошо использовать включения с тензоров, керами или H2O для исследований, прототипов и экспериментов, однако мне интересно, следует ли предлагать R для использования для создания или Для улучшения Гринфилда из-за выполнения и функциональных проблем. Хотя вы можете составить Performant R-код, который можно передавать на работников создания, он, скорее всего, чем не будет проще, чтобы взять эту модель R и перекодировать его в Java или Python.