Die 5 besten Programmiersprachen für AI-Weiterentwicklung

künstliche Intelligenz (künstliche Brainfower) eröffnet ein Universum der Möglichkeiten für Anwendungsdesigner. Durch die Nutzung von AI oder fundiertem Lernen können Sie weit überlegene Kundenprofile, Personalisierung und Anregungen erstellen oder mehr brillante Jagd, eine Sprachschnittstelle oder eine klugere Hilfe konsolidieren oder in einigen alternativen Wegen an Ihrer Anwendung arbeiten. Sie könnten sogar Anwendungen bilden, die den Umständen ansehen, hören, hören und auf die Umstände reagieren, die Sie nie erwarten.

Welche Programmiersprache würde es ratsam sein, herauszufinden, wie man die Tiefe von AI hervorsteht? Sie benötigen eine Sprache mit zahlreichen großen AI- und tiefen Lernbibliotheken, offensichtlich. Es sollte ebenfalls eine große Laufzeitausführung, eine große Instrumentenunterstützung, einen enormen lokalen Entwicklerbereich und ein solides biologisches System der Tragbündel unterstützen. Das ist ein umfangreicher Durchgang der Notwendigkeiten, dennoch gibt es noch viele gute Alternativen.

Hier sind meine Picks für die sechs besten Programmierdialekte für die AI-Weiterentwicklung neben zwei bemerkenswerten Mitteilungen. Ein Teil dieser Dialekte ist auf dem Aufstieg, während andere rutschen. Andere müssen Sie möglicherweise darüber nachdenken, falls Sie aufgenommen wurden, um tiefe Lernentwürfe und Anwendungen aufgenommen zu haben. Wie wäre es, wenn wir nehmen, wie sie alle stapeln.

python

am Nummer eins, es ist noch Python. Wie ist es möglich, dass es etwas anderes wäre, wirklich? Während es Dinge über Python anzieht, falls Sie AI-Arbeiten erreichen, werden Sie eher den Python früher oder später nicht nutzen. In was ist mehr, ein Teil der unangenehmen Flecken hat ein bisschen geglättet.

Wie wir in 2020 gehen, wird das Problem von Python 2.x gegenüber Python 3.x als ziemlich verunsichert, so ziemlich jede bedeutende Bibliothek von Python 3.x und fällt Python 2.x in Eile. Insgesamt können Sie schließlich die gesamte neue Sprache entschlossen umfassen.

Und denken Sie daran, dass Pythons, die schlechte Träume bündeln, wenn jede einzigartige Anordnung in etwas einzigartiger Weise gebrochen ist, noch etwas vorhanden ist, Sie können Anaconda ca. 95% der Zeit nutzen und keine Dinge zu einem Extremen betonen. In jedem Fall wäre es angenehm, wenn die Python-Welt dieses langjährige Problem zum letzten Mal reparieren könnte.

Alle betrachteten Dinge, die in Python zugänglichen Mathematik- und Details, die in Python erreichbar sind, sind in verschiedenen Dialekten praktisch unübertroffen. NUMPY ist so universell geworden, dass es sich gerade um eine Standard-API für Tensor-Aufgaben handelt, und Pandas bringt RS-unglaubliche und anpassbare Datenframes an Python. Für den regulären Sprachhandling (NLP) haben Sie den verehrten NLTK und die flazend-schnelle Spray. Für AI gibt es den Kampf mit Scikit-lernen. In Bezug auf ein tiefes Lernen sind die Gesamtheit der aktuellen Bibliotheken (Tensorflow, Pytorch, Maschen, Apache MXNET, THEANO usw.) ausreichend Python-First-Unternehmen.

Wenn Sie Ihre Perusing-Staat der Tiefkunstlernforschung auf Arxiv annimmt, werden Sie die meisten Studien entdecken, die Quellcode als solche in Python anbieten. An diesem Punkt gibt es dann verschiedene Teile der Python-Umgebung. Während IPYTHON JUPYTER NOTEBOOK geworden ist, und weniger Python-angetrieben sind Sie in jedem Fall, dass die meisten Jupyter-Notebook-Kunden die meisten Jupyter-Notebook-Clients verfolgen, und die große Mehrheit der auf dem Web gemeinsam genutzten Kratzer, verwenden Sie Python. In Bezug auf das Senden von Modellen, der Annäherung von Microservice-Designs und -fortforderungen, bedeutet beispielsweise SELDON CORE, dass seine außergewöhnlich einfachen, um Python-Modelle heutzutage zu vermitteln.

Es gibt keine Möglichkeit, es zu vermeiden. Python ist die Sprache an der Innovation der AI-Forschung, derjenige, den Sie die wichtigsten und tiefen Lernstrukturen verfolgen, und derjenige, der fast jeder in der AI-Welt spricht. Daher ist Python zunächst unter den AI-Programmierdialekten, trotz der Art und Weise, wie Ihr Ersteller den Whitespace-Problemen täglich im Wesentlichen einmal zeigt.

C ++

c ++ wird wahrscheinlich nicht Ihre beste Option sein, wenn Sie einen AI-Antrag fördern, dennoch, wenn Sie jede Ziffer der Ausführung aus dem Rahmen einer Situation, die sich als normaler aussieht, als ein tieferes Lernen an den Rand wandern muss Und Sie müssen Ihre Modelle auf den Vermögenswerten verpflichtet ausführen, es ist eine ideale Gelegenheit, sich erneut in das nervante Universum der Zeigern zu wagen.

Glücklicherweise kann der aktuelle C ++ schön sein (echt!). Sie haben eine Auswahl an Ansätzen. Sie können entweder einen Taucher am unteren Teil des Stapels machen, um Bibliotheken wie NVIDIAS CUDA zu verwenden, um Ihren eigenen Code zu erstellen, der auf Ihrer GPU unkompliziert läuft, oder Sie können Tensorflow oder Pytorch verwenden, um die Zulassung auf anpassungsfähige signifikante Niveau-APIs zu erhalten. Sowohl Pytorch- als auch Tensorgflow ermöglichen es Ihnen, Modelle, die in Python (oder Pytorchs torchscript-Submenge von Python) gestapelt sind, und Sie sie direkt in einer C ++-Laufzeit laufen lassen, um Sie näher an das freigegebene Metall für die Erstellung zu zeichnen, während die Anpassungsfähigkeit entwickelt wird.

somit wird C ++ in ein grundlegendes Stück des Werkzeugvorrats, da AI-Anwendungen in allen Gadgets aus dem littest implantierten Rahmen für kolossale Gruppen multiplizieren. Künstliche Intelligenz an der Kante impliziert, dass es schwierig genug ist, um genauer zu sein; Sie sollten akzeptabel und schnell sein.

Java und andere JVM-Dialekte

Die JVM-Gruppe von Dialekten (Java, Scala, Kotlin, Clojure usw.) ist immer eine unglaubliche Entscheidung für die AI-Anwendungsentwicklung. Sie haben eine Fülle von Bibliotheken, die für alle Pipelinestücke zugänglich sind, unabhängig davon, ob es sich bei der regulären Sprachabwicklung (CorenLP), Tensor-Aktivitäten (ND4J) oder einen vollständigen GPU-Sped-Faust-Lernstapel (DL4j) ausgibt. Außerdem erhalten Sie einfache Zugang zu enormen Informationsstadien wie Apache-Funke und Apache Hadoop.

Java ist die am häufigsten verwendete Sprache der meisten Ventures, und mit der neuen Sprache baut in Java 8 und späteren Formen, die Java-Code erreichbar ist, nicht das verächtliche Erlebnis erheblich ist. Das Erstellen eines AI-Antrags in Java fühlt sich möglicherweise ein Berührungserscheinung, es kann jedoch das Geschäft kümmern, und Sie können den gesamten javigen Java-Framework für Förderung, Organisation und Beobachtung nutzen.

Javascript

Ihre wahrscheinlich nicht lernen, Javascript ausschließlich zum Erstellen von AI-Anwendungen, dennoch Googles Tensorgflow.js geht weiter zur Verbesserung und bietet eine faszinierende Methode zur Förderung Ihrer Keras- und Tensorgflow-Modelle an Ihrem Programm oder über Node.js, die WebGL für GPU-Sped verwenden Berechnungen.

Ungeachtet dessen, da wir uns nicht wirklich seit dem Versand von Tensorgflow.js gesehen haben, ist eine enorme Sorte von JavaScript-Ingenieuren in den AI-Raum. Ich habe das Gefühl, dass dies aufgrund des umfassenden javaScript-biologischen Systems ist, das nicht die Tiefe der zugänglichen Bibliotheken im Gegensatz zu den Dialekten wie Python hat.

weiter, auf der Arbeiterseite, gibt es nicht ziemlich ein bisschen Nutzen, um Modelle mit Node.js anstelle eines der Python-Alternativen zu vermitteln, also sehen wir vielleicht javaScript-basierte AI-Anwendungen, die bald hauptsächlich ein Programm lagen. Das macht jedoch tatsächlich viele faszinierende offene Türen für Unterhaltung nur wie die Emoji-Scavenger-Jagd.

Swift

Swift für Tensorflow. Eine komplett komponierte Sans-Cruft-Einschränkung der besten Highlights der Tensorflow- und Dimm-Zauberei, mit denen Sie Python-Bibliotheken importieren können, als ob Sie in jedem Fall Python verwenden.

Die Fastai-Gruppe spuckt auf einer schnellen Form ihrer bekannten Bibliothek weg, und garantierte Bündel zusätzlicher Weiterentwicklungen bei der Herstellung und laufenden Modelle mit einem hohen Tensor-Smarts in den LLVM-Compiler. Ist es derzeit die Schöpfung vorbereitet? Nicht eigentlich kann es jedoch sicherlich den Weg zum älteren und kommenden Alter der tiefen Lernverbesserung lenken, so dass Sie untersuchen sollten, was mit Swift neu ist.

R-Sprache

r kommt zum unteren Teil unseres Durchlaufs und der Rückgang. R ist die Sprache, die Informationsforscher lieben. Trotzdem entdecken verschiedene Software-Ingenieure regelmäßig mit seiner datenframetriebenen Methodik etwas verschärft. Auf der Off-Chance, dass Sie eine gewidmete Sammlung von R-Ingenieuren haben, kann es gut boden, die Inkräfte mit Tensorflow, Keras oder H2O für Forschung, Prototyping und Experimente zu nutzen, aber ich frage mich, ob Sie R für den Erschöpfungsnutzen oder Für die Verbesserung der Greenfield-Verbesserung aufgrund von Ausführung und funktionellen Bedenken. Während Sie den distanzierenden R-Code komponieren können, der an der Erstellung von Arbeitnehmern übermittelt werden kann, wird es wahrscheinlicher als nicht einfacher, das R-Modell mitzunehmen und in Java oder Python zu recodieren.