5 bahasa pemrograman terbaik untuk kemajuan AI

Intelijen Buatan (BrainPower buatan manusia) membuka semesta peluang untuk perancang aplikasi. Dengan mengeksploitasi AI atau pembelajaran mendalam, Anda dapat membuat profil klien yang jauh lebih unggul, personalisasi, dan saran, atau mengkonsolidasikan perburuan yang lebih cemerlang, antarmuka suara, atau bantuan bijak, atau bekerja pada aplikasi Anda dalam beberapa cara bergantian. Anda bahkan dapat membentuk aplikasi yang melihat, mendengar, dan menanggapi keadaan yang akan Anda harapkan.

Bahasa pemrograman mana yang akan disarankan bagi Anda untuk mengetahui cara melahirkan kedamilan AI? Anda perlu bahasa dengan banyak pustaka belajar AI dan mendalam, jelas. Ini harus juga mencakup eksekusi runtime yang hebat, dukungan instrumen yang hebat, area pengembang lokal yang sangat besar, dan sistem biologis bundel yang mendukung. Itu adalah ikhtisar kebutuhan yang luas, namun masih ada banyak alternatif yang baik.

Berikut adalah pilihan saya untuk enam dialek pemrograman terbaik untuk kemajuan AI, bersama dua pemberitahuan yang patut diperhatikan. Sebagian dari dialek ini ada di pendakian, sementara yang lain tergelincir. Lainnya yang lain Anda mungkin perlu memikirkan kalau-kalau Anda tertarik pada desain dan aplikasi pembelajaran mendalam yang direkam. Bagaimana kalau kita memahami bagaimana mereka semua menumpuk.

python

di nomor satu, masih python. Bagaimana mungkin itu sesuatu yang lain, sungguh? Sementara ada hal-hal yang memadamkan tentang Python, jika Anda mencapai pekerjaan AI, Anda lebih mungkin daripada tidak memanfaatkan Python cepat atau lambat. Apa yang lebih, sebagian dari bintik-bintik yang tidak menyenangkan telah dihaluskan sedikit.

Ketika kami menuju ke 2020, masalah Python 2.x versus Python 3.x menjadi gelisah karena hampir setiap pustaka penting menjunjung tinggi Python 3.x dan menjatuhkan bantuan Python 2.x dengan tergesa-gesa. Semua dalam semua, Anda dapat mengeksploitasi terakhir semua bahasa baru termasuk dengan tegas.

dan mengingat bahwa Pythons Bundling mimpi buruk di mana setiap pengaturan unik rusak dengan cara yang agak unik masih ada, Anda dapat memanfaatkan Anaconda sekitar 95% dari waktu dan tidak menekankan pada hal-hal yang ekstrem. Bagaimanapun, akan menyenangkan jika dunia python dapat memperbaiki masalah lama ini untuk terakhir kalinya.

Semua hal yang dipertimbangkan, perpustakaan matematika dan detail yang dapat diakses di Python praktis tak tertandingi dalam dialek yang berbeda. Numppy telah menjadi begitu universal adalah tentang API standar untuk tugas tensor, dan panda membawa RS data yang luar biasa dan mudah beradaptasi untuk Python. Untuk penanganan bahasa rutin (NLP), Anda memiliki NLTK yang dihormati dan spacy cepat-cepat. Untuk AI, ada pertarungan dengan Scikit-Learn. Terlebih lagi, berkaitan dengan pembelajaran yang mendalam, keseluruhan perpustakaan saat ini (Tensorflow, Pytorch, Chainer, Apache MXNet, Theano, dan sebagainya) secara memadai Python-first usaha.

Dengan asumsi Anda menuntas State of Art Learning Learning Research tentang ARXIV, Anda akan menemukan sebagian besar studi yang menawarkan kode sumber yang dilakukan dalam Python. Kemudian, pada saat itu ada berbagai keping lingkungan python. Sementara Ipython telah menjadi notebook jupyter, dan kurang didorong oleh Python, Anda akan berada dalam kasus apa pun dari klien Notebook jupyter yang sebagian besar, dan sebagian besar dari bantalan awal yang dibagikan di web, gunakan Python. Sehubungan dengan pengiriman model, pendekatan desain microservice dan kemajuan, misalnya, seldon inti menyiratkan bahwa sangat sederhana untuk menyampaikan model Python yang sedang berlangsung saat ini.

Tidak ada cara untuk menghindarinya. Python adalah bahasa di ujung tombak penelitian AI, yang Anda lacak di AI dan struktur pembelajaran yang paling mendalam untuk, dan yang hampir semua orang di dunia AI berbicara tentang. Oleh karena itu, Python adalah yang pertama di antara dialek pemrograman AI, terlepas dari cara pencipta Anda mengungkapkan masalah spasi putih pada dasarnya setiap kali setiap hari.

C ++

C ++ mungkin tidak akan menjadi pilihan terbaik Anda ketika membina aplikasi AI, namun ketika Anda perlu memeras setiap dan setiap digit eksekusi dari kerangka suatu situasi yang ternyata lebih normal karena pembelajaran mendalam pergi ke tepi. Dan Anda perlu menjalankan model Anda pada aset mewajibkan kerangka kerja adalah kesempatan yang ideal untuk menjelajah sekali lagi ke alam semesta pointer yang mengerikan lagi.

Untungnya, C ++ saat ini bisa menyenangkan untuk menyusun (asli!). Anda memiliki pilihan pendekatan. Anda dapat membuat terjun di bagian bawah tumpukan, memanfaatkan perpustakaan seperti NVIDIA CUDA untuk menyusun kode Anda sendiri yang berjalan langsung pada GPU Anda, atau Anda dapat menggunakan TensorFlow atau Pytorch untuk mendapatkan penerimaan untuk apis tingkat signifikan yang dapat disesuaikan. Baik pytorch dan tensorflow memungkinkan Anda untuk menumpuk model yang dibuat dalam python (atau pytorchs torchscript subset python) dan menjalankannya langsung dalam runtime C ++, menggambar Anda lebih dekat dengan logam yang terungkap untuk kreasi saat menyimpan kemampuan beradaptasi.

Jadi, C ++ berubah menjadi bagian dasar dari simpanan alat sebagai aplikasi AI berkembang biak di semua gadget dari kerangka implan littlest ke kelompok kolosal. Kecerdasan buatan di tepi menyiratkan cukup sulit untuk tepat lagi; Anda harus dapat diterima dan cepat.

Java dan dialek JVM lainnya

Kelompok dialek JVM (Java, Scala, Kotlin, Clojure, dan sebagainya) terus menjadi keputusan yang luar biasa untuk kemajuan aplikasi AI. Anda memiliki banyak perpustakaan yang dapat diakses untuk semua bagian pipa, terlepas dari apakah penanganan bahasa regulernya (Corenlp), kegiatan tensor (ND4J), atau tumpukan pembelajaran mendalam GPU-spr (DL4J). Selain itu Anda mendapatkan penerimaan sederhana untuk tahapan informasi yang sangat besar seperti Apache Spark dan Apache Hadoop.

Java adalah bahasa yang paling banyak digunakan dari sebagian besar usaha, dan dengan bahasa baru yang dibangun dapat diakses dalam formulir Java 8 dan selanjutnya, menyusun kode Java bukan pengalaman mencemooh yang banyak dari kita ingat. Menulis aplikasi AI di Jawa mungkin merasakan sentuhan melelahkan, namun dapat mengurus bisnis dan Anda dapat memanfaatkan semua kerangka kerja Java Anda saat ini untuk kemajuan, organisasi, dan observasi.

javascript

Youre mungkin tidak akan belajar JavaScript secara eksklusif untuk menulis aplikasi AI, namun Google Tensorflow.j pergi untuk meningkatkan dan menawarkan metode yang menarik untuk menyampaikan model keras dan tensorflow Anda ke program Anda atau melalui node.js menggunakan WebG untuk GPU-sped perhitungan.

Meskipun demikian, satu hal yang kami belum pernah melihat sejak pengiriman tensorflow.js adalah banjir luar biasa dari insinyur JavaScript yang membanjiri ruang AI. Saya merasa itu mungkin karena sistem biologis JavaScript yang meliputi tidak memiliki banyak perpustakaan yang dapat diakses berbeda dengan dialek seperti Python.

Lebih lanjut, di sisi pekerja, tidak ada sedikit manfaat untuk menyampaikan model dengan node.js daripada salah satu alternatif python, jadi kita mungkin melihat aplikasi AI berbasis JavaScript tetap prinsip yang terletak segera. Namun, itu benar-benar menetapkan banyak pintu terbuka yang menarik untuk hiburan hanya seperti perburuan pemulung emoji.

Swift

swift untuk tensorflow. Sebuah yang sepenuhnya tersusun, SAN CRUFT membatasi Sorotan Terbaik di Kelas TensorFlow, dan Redf Wizardry yang memungkinkan Anda untuk mengimpor pustaka Python seolah-olah Anda memanfaatkan Python dalam hal apa pun.

Grup Fastai akan terputar pada bentuk cepat dari perpustakaan mereka yang terkenal, dan dijamin banyak kemajuan tambahan dalam memproduksi dan menjalankan model dengan memindahkan banyak tensor Compiler ke kompiler LLVM. Apakah ini pembuatan yang disiapkan pada saat ini? Tidak sebenarnya, namun mungkin pasti langsung menuju ke atas dan usia peningkatan pembelajaran yang mendalam, jadi Anda harus memeriksa apa yang baru dengan Swift.

R Bahasa

r datang di bagian bawah kumuh kita, dan menurunnya. R adalah bahasa yang dicintai oleh peneliti informasi. Meskipun demikian, insinyur perangkat lunak yang berbeda secara teratur menemukan R agak menjengkelkan, karena metodologi yang digerakkan oleh data. Dalam kesempatan Anda memiliki pertemuan yang dikhususkan dari para insinyur R, itu dapat bertuliskan dengan baik untuk memanfaatkan penggabungan dengan TensorFlow, Keras, atau H2O untuk penelitian, prototyping, dan eksperimen, namun saya bertanya-tanya apakah atau tidak menyarankan R untuk penggunaan creation atau tidak untuk peningkatan greenfield, karena eksekusi dan masalah fungsional. Sementara Anda dapat menyusun kode berkinerja R yang dapat disampaikan pada pekerja pembuatan, itu akan lebih mungkin lebih sederhana untuk mengambil model R itu dan rekode di Jawa atau Python.