Les 5 meilleures langues de programmation pour l'avancement d'AI

Intelligence artificielle (Brainion de l'homme) ouvre un univers d'opportunités pour les concepteurs d'applications. En exploitant l'AI ou l'apprentissage profond, vous pouvez créer des profils de clients, de personnalisation et des suggestions de qualité supérieure, ou de consolider des chasses plus brillantes, une interface vocale ou une aide sage, ou de travailler sur votre application à une autre manières alternatives. Vous pouvez même former des applications qui voient, entendent et répondent aux circonstances que vous n'attendez jamais.

Quel langage de programmation serait-il conseillé de déterminer comment placez-vous les profilations d'AI? Vous aurez besoin d'une langue avec de nombreuses grandes bibliothèques d'apprentissage et profonde, évidemment. Il faut également inclure une excellente exécution d'exécution, un excellent support d'instrument, une énorme zone locale de développeurs et un système biologique solide de faisceaux de support. C'est une ruinance approfondie des nécessités, mais il reste encore beaucoup de bonnes alternatives.

Voici mes choix pour les six meilleurs dialectes de programmation pour l'avancement de l'AI, à côté de deux notifications remarquables. Une partie de ces dialectes est sur l'ascension, tandis que d'autres glissent. Encore d'autres, vous avez peut-être besoin de penser au cas où vous êtes désireux de conceptions et d'applications d'apprentissage profonds enregistrées. Que diriez-vous de percevoir comment ils s'empilent tous.

Python

au numéro un, c'est toujours python. Comment est-il possible que ce soit quelque chose d'autre, vraiment? Bien qu'il y ait des inconvénients sur Python, dans le cas où vous avez accompli un travail d'AI, vous n'êtes plus susceptible que de ne pas utiliser Python plus tôt ou tard. Quoi de plus, une partie des taches désagréables a lissé un peu.

Au fur et à mesure que nous nous dirigeons vers 2020, la question de Python 2.x contre Python 3.x est devenue troublée comme à peu près toutes les bibliothèques significatives de la bibliothèque importante de Python 3.x et d'abandonner l'aide de Python 2.x à la hâte. Dans l'ensemble, vous pouvez enfin exploit que toute la nouvelle langue comprend de manière décisive.

Et en gardant à l'esprit que Pythons regroupe de mauvais rêves où chaque arrangement unique est cassé de manière un peu unique, vous pouvez utiliser Anaconda environ 95% du temps et non sur les choses à l'extrême. En tout état de cause, il serait agréable si le monde Python pourrait réparer ce problème de longue date pour la dernière fois.

Toutes les choses considérées, les bibliothèques de mathématiques et de détails accessibles à Python sont pratiquement inégalées dans différents dialectes. Numpy est devenu si universel qu'il s'agit uniquement d'une API standard pour les tâches de tenseur et Pandas apporte des données de données incroyables et adaptables à Python. Pour une manipulation linguistique régulière (PNL), vous avez le NLTK vénéré et l'odeur de Spacy. Pour Ai, il y a le combat avec Scikit-apprendre. Ce qui est de plus, en ce qui concerne l'apprentissage profond, l'intégralité des bibliothèques actuelles (Tensorflow, Pytorch, Chainger, Apache Mxnet, Theano, etc.) sont de manière adéquate les premières entreprises.

En supposant que vous prononciez la recherche approfondie de l'état de la technique sur Arxiv, vous découvrirez la plupart des études offrant un code source faire comme tel en Python. Ensuite, à ce stade, il existe différentes pièces de l'environnement Python. Tandis que Ipython est devenu un ordinateur portable Jupyter et moins de Python, vous allez dans n'importe quel cas sur la plupart des clients de la plupart des ordinateurs portables Jupyter et la grande majorité du pad-cavalier partagé sur le Web, utilisent Python. En ce qui concerne l'envoi de modèles, l'approche des conceptions et des avances de microservices, par exemple, Seldon Core implique que son exceptionnellement simple de transmettre des modèles Python en cours de nos jours.

Il n'y a aucun moyen de l'éviter. Python est la langue à la pointe de la recherche d'AI, celle qui vous retrouvera la plupart des structures d'apprentissage les plus profondes et la plupart des structures d'apprentissage profondes, et celle que presque tout le monde dans le monde de l'AI parle. Par conséquent, Python est d'abord parmi les dialectes de programmation AI, malgré la manière dont votre créateur révèle les problèmes de WhitSpace essentiellement une fois par jour.

C ++

C ++ ne sera probablement pas votre meilleure option lors de la promotion d'une application IA, mais lorsque vous avez besoin de tondre chaque chiffre d'exécution à partir du cadre une situation qui s'avère être plus normale car la profonde apprentissage va au bord. Et vous devez exécuter vos modèles sur les cadres obligés de l'actif, c'est une occasion idéale de s'aventurer une fois de nouveau dans l'univers neteur des pointeurs.

Heureusement, Current C ++ peut être agréable à composer (authentique!). Vous avez une sélection d'approches. Vous pouvez soit faire une plongée dans la partie inférieure de la pile, utiliser des bibliothèques telles que NVIDIAS CUDA pour composer votre propre code qui fonctionne directement sur votre GPU ou vous pouvez utiliser TENSORFLOW ou Pytorch pour obtenir l'admission à des API de niveau significatif adaptables. Pytorch et Tensorflow vous permettent de pile des modèles créés dans Python (ou sous-ensemble Pytorchs Torchscript de Python) et de les exécuter directement dans une heure d'exécution C ++, ce qui vous rapproche du métal non couvert pour la création tout en épargnant l'adaptabilité.

Ainsi, C ++ se transforme en une pièce de base de l'outil Stash en tant qu'applications AI se multiplie dans tous les gadgets du cadre implanté dans les groupes colossaux. L'intelligence artificielle au bord implique sa suffisamment difficile d'être précise plus longtemps; Vous devriez être acceptable et rapide.

Java et autres dialectes JVM

Le groupe de dialectes JVM (Java, Scala, Kotlin, Clojure, etc.) continue d'être une décision incroyable pour l'avancement de l'application AI. Vous avez une abondance de bibliothèques accessibles pour toutes les pièces du pipeline, qu'il s'agisse de sa manipulation linguistique régulière (Corenlp), de TENSOR Activités (ND4J) ou d'une pile d'apprentissage profonde à la GPU (DL4J). En plus, vous obtenez une simple admission à d'énormes étapes d'informations telles que Apache Spark et Apache Hadoop.

Java est la langue la plus utilisée de la plupart des entreprises, et la nouvelle langue est accessible dans les formes Java 8 et ultérieures, la composition du code Java n'est pas l'expérience méprisant de nombreux souvenirs américains. La composition d'une application AI en Java pourrait ressentir une touche épuisante. Cependant, il peut s'occuper des affaires et vous pouvez utiliser tout votre cadre Java actuel pour l'avancement, l'organisation et l'observation.

JavaScript

Vous ne voulez probablement pas apprendre JavaScript exclusivement pour la composition des applications AI, pourtant Googles Tensorflow.js Produit pour améliorer et offrir une méthode fascinante de transmission de vos modèles KERAS et TENSORFLOW à votre programme ou via Node.js Utilisation de WebGL pour GPU-SPED calculs.

Nonobstant, une chose que nous n'avons pas réellement vue depuis que l'envoi de Tensorflow.js est un formidable déluge d'ingénieurs JavaScript inondant dans l'espace IA. Je pense que cela peut être dû au système biologique JavaScript englobant de ne pas avoir la profondeur de bibliothèques accessibles contrairement aux dialectes comme Python.

En outre, du côté ouvrier, il n'y a pas beaucoup d'avantages à transporter des modèles avec noeud.js plutôt que l'une des alternatives Python, nous pourrions donc voir les applications AI basées sur JavaScript restent principalement du programme situé à l'origine. Cependant, cela définit en fait beaucoup de portes ouvertes intrigantes pour le divertissement que comme la chasse à la chasseur d'emoji.

SWIFT

Swift pour Tensorflow. Un peu composé, sans cruft restreignant les meilleurs moments de la classe de Tensorflow et Dim Glex qui vous permet d'importer des bibliothèques Python comme si vous utilisiez Python en tout cas.

Le groupe FASTAI est éloigné à une forme rapide de leur bibliothèque bien connue et constituait des grappes garanties d'avancements supplémentaires dans la production et la diffusion de modèles avec une grande quantité de tensor smarts dans le compilateur LLVM. La création est-elle préparée à l'heure actuelle? Ce n'est pas en fait, cependant, il pourrait bien vouloir diriger la voie vers l'âge haut et à venir d'une profonde amélioration de l'apprentissage, vous devez donc examiner ce qui est neuf avec Swift.

Langue R

r entre dans la partie inférieure de notre épargne et sa diminution. R est la langue que les chercheurs de l'information aiment. Néanmoins, différents ingénieurs de logiciels découvrent régulièrement r quelque peu aggravant, en raison de sa méthodologie axée sur le Dataframe. Sur la chance d'avoir un rassemblement dévoué d'ingénieurs R, il peut faire boder de bien utiliser les incorporations avec Tensorflow, Keras ou H2O pour la recherche, le prototypage et l'expérimentation, mais je me demande si vous souhaitez suggérer ou non que vous souhaitez que la création soit ou non. pour une amélioration de greenfield, en raison de la réalisation et des préoccupations fonctionnelles. Bien que vous puissiez composer un code R performant qui peut être transmis sur les travailleurs de la création, il sera plus susceptible de ne pas être plus simple de prendre ce modèle R et de le recoder en Java ou Python.