As 5 melhores idiomas de programação para o avanço da AI

Inteligência Artificial (cérebro do homem) abre um universo de oportunidades para designers de aplicativos. Ao explorar a AI ou a aprendizagem profunda, você pode criar perfis de clientes superiores, personalização e sugestões de clientes, ou consolidar caças mais brilhantes, uma interface de voz ou ajuda sábia ou trabalhar em sua aplicação de algumas formas alternativas. Você pode até formar aplicativos que vêem, ouvir e responder às circunstâncias que você não espera.

Qual linguagem de programação seria aconselhável para você descobrir como prender as profundidades da AI? Você precisará de um idioma com inúmeras grandes bibliotecas de aprendizagem AI e profunda, obviamente. Deve igualmente incluir grande execução de tempo de execução, grande suporte ao instrumento, uma enorme área local de desenvolvedores, e um sistema biológico sólido de pacotes de apoio. Esse é um extenso resumo das necessidades, mas ainda há muitas boas alternativas.

Aqui estão minhas escolhas para os seis melhores dialetos de programação para o avanço da AI, ao lado de dois avisos notáveis. Uma parte desses dialetos está na subida, enquanto outras estão escorregando. Ainda outros que você possivelmente precisa pensar no caso de você estar interessado em projetos e aplicativos de aprendizagem profundos gravados. Que tal percebemos como todos eles empilham.

python

no número um, ainda é python. Como é possível que seja outra coisa, verdadeiramente? Embora haja incensando coisas sobre Python, no caso de você realizar o trabalho da AI, você é mais provável do que não utilizará o Python mais cedo ou mais tarde. O que é mais, uma parte dos pontos desagradáveis ​​suavizou um pouco.

À medida que nos dirigimos em 2020, a questão do Python 2.x versus python 3.x está se tornando instável como praticamente toda biblioteca significativa defende Python 3.x e está caindo python 2.x ajuda com pressa. Tudo somado, você pode finalmente explorar toda a nova língua inclui decisivamente.

e tendo em mente que Pythons agrupam sonhos ruins em que cada acordo exclusivo é quebrado de uma maneira um pouco única, você ainda está presente, você pode utilizar anaconda cerca de 95% do tempo e não se estressar sobre as coisas para um extremo. Em qualquer caso, seria agradável se o mundo Python pudesse corrigir essa questão de longa data pela última vez.

Todas as coisas consideradas, as bibliotecas de matemática e detalhes acessíveis em Python são praticamente inigualáveis ​​em dialetos diferentes. A NUMPY tornou-se tão universal é apenas sobre uma API padrão para tarefas de tensor, e as Pandas traz recursos de dados incríveis e adaptáveis ​​a Python. Para o manuseio de idiomas regulares (NLP), você tem o NLTK reverenciado e a espinha-espinhosamente rápida. Para AI, há a luta com a Scikit-Learn. O que é mais, no que diz respeito à profunda aprendizagem, a totalidade das bibliotecas atuais (Tensorflow, Pytorch, Chainer, Apache MxNet, Theano e assim por diante) são adequadamente python-primeiros compromissos.

Assumindo que você perusive o estado da pesquisa de aprendizagem profunda da arte sobre o ARXIV, você descobrirá a maioria dos estudos que oferecem código fonte como tal em Python. Então, nesse ponto, há diferentes peças do ambiente Python. Enquanto Ipython se tornou notebook Jupyter, e menos python-driven, você terá em qualquer caso a maioria dos clientes de notebooks de Jupoyter, e a grande maioria dos arranhões compartilhou na Web, use Python. No que diz respeito ao envio de modelos, a abordagem dos projetos e avanços de microsservice, por exemplo, o Núcleo de Seldon implica que é excepcionalmente simples de transmitir modelos de python em dia.

Não há como evitar. Python é a linguagem na vanguarda da AI Research, a que você acompanha mais ai e as profundas estruturas de aprendizagem, e aquela que quase todos no mundo da AI se fala. Portanto, o Python é o primeiro entre os dialetos de programação AI, apesar da forma como seu criador revela as questões de espaço em branco essencialmente uma vez a cada dia.

C ++

C ++ provavelmente não será sua melhor opção ao fomentar um aplicativo AI, mas quando você precisar torcer todo e cada dígito de execução da estrutura uma situação que se torna mais normal, pois a aprendizagem profunda vai para a borda e você precisa executar seus modelos em estruturas obrigadas por ativos é uma oportunidade ideal para se aventurar mais uma vez para o universo enervante de ponteiros novamente.

Felizmente, o C ++ atual pode ser lindo para compor (genuíno!). Você tem uma seleção de abordagens. Você pode fazer um mergulho na parte inferior da pilha, utilizando bibliotecas como NVidias Cuda para compor seu próprio código que funciona diretamente na sua GPU, ou você pode utilizar tensorflow ou Pytorch para obter uma admissão para APIs de nível significativo adaptável. Ambos Pytorch e TensorFlow permitem que você empate modelos criados no Python (ou subconjunto de Pyttorchs Torchscript de Python) e executá-los em linha reta em um tempo de execução C ++, atraindo você mais perto do metal descoberto para criação enquanto economiza a adaptabilidade sendo desenvolvida.

Então, o C ++ se transforma em uma peça básica da ferramenta Stash como aplicativos AI se multiplicam em todos os gadgets da estrutura implantada littlest para grupos colossais. A inteligência artificial na borda implica que é difícil o suficiente para ser mais precise; Você deve ser aceitável e rápido.

Java e outros dialetos JVM

O grupo JVM de dialetos (Java, Scala, KoTlin, Clojure e assim por diante) continua sendo uma decisão incrível para o avanço do aplicativo AI. Você tem uma abundância de bibliotecas acessíveis para todas as peças do pipeline, independentemente de sua manipulação de idiomas regulares (Corenlp), atividades de tensor (ND4J), ou uma pilha de aprendizagem profunda completa do GPU (DL4J). Além de obter uma admissão simples para enormes estágios de informação como Spark Apache e Apache Hadoop.

Java é a linguagem mais usada da maioria dos empreendimentos, e com a nova linguagem é acessível em formulários Java 8 e posteriores, compondo o código Java não é a experiência desdenhosa que um lote considerável de nós lembre-se. Compor um aplicativo AI em Java pode sentir um toque exaustivo, no entanto, pode cuidar dos negócios e você pode utilizar toda a sua estrutura java atual para avanço, organização e observação.

javascript

Você provavelmente não vai aprender exclusivamente o JavaScript para compor aplicativos AI, mas googles tensorflow.js prossegue para melhorar e oferecer um método fascinante de transmitir seus modelos de keras e tensorflow para o seu programa ou através do Node.js utilizando WebGL para GPU-SPED computações.

Não obstante, uma coisa que não temos visto desde que o despacho de tensorflow.js é um tremendo dilúvio de engenheiros de Javascript inundando o espaço da AI. Eu sinto que pode ser por causa do sistema biológico javascript que não possui a profundidade de bibliotecas acessíveis em contraste com dialetos como Python.

Além disso, no lado do trabalhador, não há um pouco de benefício para transmitir modelos com Node.js em vez de uma das alternativas de Python, para que possamos ver aplicativos AI baseados em JavaScript permanecerem principalmente em breve. No entanto, que realmente estabelece muitas portas abertas intrigantes para entretenimento apenas como a caçada do Scavenger Emoji.

SWIFT

Swift para o Tensorflow. Um completamente composto, a restrição de Cruft, restringindo dos melhores em destaques de classe do Tensorflow, e Dim Wizardy que permite importar bibliotecas de Python como se estivesse utilizando Python em qualquer caso.

O grupo FASTAI está lascando a uma forma rápida de sua biblioteca bem conhecida e foram garantidos cachos de avanços adicionais na produção e execução de modelos com a movimentação de uma grande quantidade de tensor smarts no compilador LLVM. A criação é preparada no presente momento? Na verdade, no entanto, pode, com certeza, dirigir o caminho para a idade e a idade de melhoria da aprendizagem profunda, então você deve examinar o que é novo com Swift.

r idioma

r vem na parte inferior do nosso resumo e seu declínio. R é a linguagem que os pesquisadores de informação amam. No entanto, diferentes engenheiros de software descobrem regularmente r agravante, devido à sua metodologia dirigida por dados. Na chance de você ter uma coleta dedicada de engenheiros de R, ele pode incumbir bem para utilizar as incorporações com tensorflow, keras ou h2o para pesquisa, prototipagem e experimentação, no entanto, eu me pergunto se ou não sugerir r para uso de criação ou para melhoria de greenfield, devido à execução e preocupações funcionais. Enquanto você pode compor o código de desempenho que pode ser transmitido em trabalhadores de criação, será mais provável que não seja mais simples tomar o modelo R e recodificá-lo em Java ou Python.