5 بهترین زبان برنامه نویسی برای پیشرفت AI

هوش مصنوعی (مغز انسان ساخته شده) یک جهان از فرصت های طراحان نرم افزار را باز می کند. با بهره برداری از AI یا یادگیری عمیق، شما می توانید پروفایل های مشتری، شخصی سازی و پیشنهادات، و یا تثبیت شکار های درخشان تر، یک رابط صوتی، یا کمک عاقلانه، و یا کار بر روی درخواست شما در چند روش کاملا متناوب. شما حتی می توانید برنامه های کاربردی را مشاهده کنید که ببینید، شنیدن و پاسخ به شرایطی که تا به حال انتظار نداشته باشید.

کدام زبان برنامه نویسی آن را برای شما توصیه می شود تا بدانید که چگونه می توان از آنچه که مردم AI را به دست می آورند؟ به وضوح نیاز به یک زبان با بسیاری از کتابخانه های بزرگ AI و یادگیری عمیق دارید. این نیز باید شامل اجرای عالی اجرای زمان، پشتیبانی از ابزار عالی، یک منطقه عظیم توسعه دهندگان و یک سیستم بیولوژیکی صوتی حمایت از بسته های نرم افزاری باشد. این یک ضرورت گسترده ای است، اما هنوز هم گزینه های خوبی وجود دارد.

در اینجا من برای شش بهترین گویشهای برنامه نویسی برای پیشرفت AI، در کنار دو اعلامیه قابل توجه است. بخشی از این گویش ها در حال صعود هستند، در حالی که دیگران لغزش دارند. با این حال، دیگران احتمالا باید در مورد شما فکر کنید که شما در طراحی و برنامه های کاربردی یادگیری عمیق ثبت شده اید. چگونه در مورد ما درک می کنیم که چگونه همه آنها پشته می شوند.

Python

در شماره اول، هنوز پایتون آن است. چگونه ممکن است که این چیز دیگری باشد، واقعا؟ در حالی که چیزهای زیادی در مورد پایتون وجود دارد، در صورتی که شما انجام کار AI، شما بیشتر احتمال دارد که از Python دیر یا زود استفاده کنید. چه چیزی بیشتر، بخشی از نقاط ناخوشایند کمی صاف شده است.

همانطور که ما به سال 2020 می رویم، مسئله پایتون 2.x در مقابل پایتون 3.x به عنوان تقریبا هر کتابخانه قابل توجه، Python 3.x را نادیده می گیرد و در حال افزایش است. در کل، شما می توانید در نهایت از همه زبان جدید استفاده کنید.

و به یاد داشته باشید که پایتون ها رویاهای بدی را تشکیل می دهند که در آن هر ترتیب منحصر به فرد به نحوی منحصر به فرد شکسته می شود، هنوز هم وجود دارد، شما می توانید از Anaconda حدود 95٪ از زمان استفاده کنید و بر روی چیزها به شدت تحت فشار قرار ندهید. در هر صورت، اگر دنیای پایتون بتواند این مسئله طولانی مدت را برای آخرین بار حل کند، لذت بخش خواهد بود.

همه چیز در نظر گرفته شده، کتابخانه های ریاضی و جزئیات قابل دسترسی در پایتون عملا در گویش های مختلف بی نظیر هستند. Numpy تبدیل شده است به طوری جهانی است که فقط در مورد یک API استاندارد برای وظایف تانسور است، و Pandas به ارمغان می آورد RS اطلاعات باورنکردنی باور نکردنی و سازگار با Python. برای دست زدن به زبان به طور منظم (NLP)، شما NLTK احترام و آرامش سریع را دارید. برای AI، مبارزه با Scikit-Learn وجود دارد. هر چه بیشتر، با توجه به یادگیری عمیق، کل کتابخانه های فعلی (Tensorflow، Pytorch، Chainer، Apache Mxnet، Theano و غیره) به اندازه کافی پایتون - اولین شرکت های اول است.

فرض بر این است که وضعیت تحقیقات یادگیری عمیق هنر در Arxiv، شما بیشتر مطالعاتی را که کد منبع را در پایتون ارائه می دهند، کشف خواهید کرد. سپس، در آن نقطه، قطعات مختلفی از محیط پایتون وجود دارد. در حالی که ipython تبدیل به نوت بوک Jupyter شده است، و کمتر از پایتون رانده شده است، شما در هر موردی که بیشتر مشتریان نوت بوک Jupyter را دنبال می کنید، و اکثریت قریب به اتفاق پد خراش به اشتراک گذاشته شده در وب، از پایتون استفاده کنید. به عنوان مثال، با توجه به مدل های ارسال، رویکرد طرح های مایکروویو و پیشرفت، به عنوان مثال، هسته Seldon به این معنی است که فوق العاده ساده برای انتقال مدل های پایتون در حال حاضر در حال حاضر در حال انجام است.

هیچ راهی برای اجتناب از آن وجود ندارد. پایتون زبان در لبه برش تحقیقات AI است، یکی از آنها بیشترین سازه های یادگیری AI و عمیق را برای شما را دنبال می کند و آن چیزی است که تقریبا هر کس در جهان AI در مورد آن صحبت می کند. بنابراین، پایتون اولین بار در میان گویش های برنامه نویسی AI است، به رغم نحوه اینکه خالق شما مسائل فضای خالی را عمدتا یک بار در روز نشان می دهد.

C ++

C ++ احتمالا بهترین گزینه خود را در هنگام تقویت یک برنامه AI نیست، اما زمانی که شما نیاز به برداشتن هر یک از رقم اعدام از چارچوب یک وضعیت است که به نظر می رسد طبیعی تر به عنوان یادگیری عمیق به لبه و شما باید مدل های خود را در مورد دارایی های موقت خود را اجرا کنید و یک فرصت ایده آل برای سرمایه گذاری یک بار دیگر به جهان Unnerving از اشاره گرها دوباره.

خوشبختانه، C ++ فعلی می تواند دوست داشتنی باشد (واقعی!). شما انتخابی از رویکردها دارید شما می توانید در قسمت پایین پشته غوطه ور شوید، با استفاده از کتابخانه ها مانند NVIDIAS CUDA برای نوشتن کد خود که به طور مستقیم بر روی GPU خود اجرا می شود، یا شما می توانید Tensorflow یا Pytorch را برای پذیرش به API های قابل قبول قابل قبول استفاده کنید. هر دو Pytorch و Tensorflow شما را به پشته مدل های ایجاد شده در پایتون (یا Pytorchs torchscript زیر مجموعه از پایتون) و آنها را مستقیما در زمان اجرا C ++ اجرا کنید، در حالی که صرفه جویی در سازگاری توسعه یافته است، به طور مستقیم به فلز کشف شده برای ایجاد در حالی که صرفه جویی در سازگاری توسعه یافته است.

بنابراین، C ++ تبدیل به یک قطعه اساسی از ابزار Stash به عنوان برنامه های کاربردی AI ضرب در تمام ابزارها از چارچوب LittLest کاشته شده به گروه های عظیم تبدیل می شود. هوش مصنوعی در لبه نشان می دهد که به اندازه کافی دشوار است تا هرچه دقیق تر باشد؛ شما باید قابل قبول و سریع باشید.

جاوا و دیگر گویش های JVM

گروه JVM از گویش ها (Java، Scala، Kotlin، Clojure و غیره) به عنوان یک تصمیم باور نکردنی برای پیشرفت AI ادامه می دهد. شما فراوانی از کتابخانه های قابل دسترسی برای تمام قطعات خط لوله، صرف نظر از اینکه آیا دست زدن به زبان منظم آن (Corenlp)، فعالیت های تانسور (ND4J)، یا یک پشته یادگیری عمیق GPU (DL4J) را داشته باشید. علاوه بر این، پذیرش ساده به مراحل اطلاعاتی عظیم مانند آپاچی جرقه و آپاچی هادوپ.

Java بیشترین زبان مورد استفاده بیشتر از بیشتر سرمایه گذاری ها است و با استفاده از زبان جدید، در فرم های جاوا 8 و بعد از آن امکان پذیر است، کد جاوا را تجربه می کند، تجربه ی فریبنده ای است که بسیار قابل توجهی از ما به یاد می آورند. ساخت یک برنامه AI در جاوا ممکن است احساس خستگی لمسی را احساس کند، اما می تواند از کسب و کار مراقبت کند و شما می توانید از تمام چارچوب فعلی جاوا خود برای پیشرفت، سازمان و مشاهده استفاده کنید.

جاوا اسکریپت

شما احتمالا قصد ندارید جاوا اسکریپت را به طور انحصاری برای ساخت برنامه های AI یاد بگیرید، اما Googles Tensorflow.js درآمد حاصل از بهبود و ارائه یک روش جذاب برای انتقال مدل های Keras و Tensorflow خود را به برنامه خود و یا از طریق node.js با استفاده از WebGL برای GPU-sped تا محاسبات بالا

با وجود این، یکی از چیزهایی که ما واقعا از زمان اعزام tensorflow.js دیده می شود، یک انفجار فوق العاده ای از مهندسان جاوا اسکریپت سیل به فضای AI است. من احساس می کنم که ممکن است به دلیل سیستم بیولوژیکی جاوا اسکریپت، عدم داشتن قابلیت اطمینان کتابخانه های قابل دسترس در مقایسه با گویشهای مانند پایتون باشد.

علاوه بر این، در سمت کارگر، در واقع کمی از مزایای استفاده از مدل های node.js به جای یکی از گزینه های پایتون نیست، بنابراین ما ممکن است برنامه های کاربردی AI مبتنی بر جاوا اسکریپت را ببینیم، عمدتا برنامه به زودی برنامه ریزی شده است. با این حال، این در واقع بسیاری از درهای جذاب جذاب را برای سرگرمی ها تنها مانند شکار Scavenger Emoji قرار می دهد.

SWIFT

Swift برای tensorflow. به طور کامل ساخته شده است، Sans Cruft محدود کردن بهترین در برجسته های کلاس Tensorflow، و Dim Wizardry که اجازه می دهد تا شما را به واردات کتابخانه های پایتون، به طوری که شما در هر مورد از پایتون استفاده کردید.

Group Fastai در یک شکل سریع از کتابخانه شناخته شده آنها دور می شود و از پیشرفت های اضافی در تولید و اجرای مدل ها با حرکت دادن مقدار زیادی از تانسور به کامپایلر LLVM تضمین شده است. آیا این خلقت در حال حاضر آماده شده است؟ در واقع، با این حال ممکن است مطمئن شوید که راه را به سمت بالا و رسیدن به سن بهبود یادگیری عمیق هدایت کنید، بنابراین شما باید آنچه را که جدید با Swift بررسی کنید.

R زبان

R در قسمت پایین تر از تخریب ما قرار دارد و کاهش آن. R زبان است که محققان اطلاعات را دوست دارند. با این وجود، مهندسان نرم افزاری مختلف به طور مرتب به علت روش شناسنده داده های داده شده، به طور مرتب کشف شده اند. در شانس خاموش که شما یک جمع آوری اختصاص داده شده از مهندسین R دارید، می توانید از ترکیبات با Tensorflow، Keras یا H2O برای تحقیق، نمونه سازی و آزمایش استفاده کنید، با این حال من تعجب می کنم که آیا R پیشنهاد R برای ایجاد ایجاد یا برای بهبود Greenfield، به دلیل اعدام و نگرانی های کاربردی. در حالی که شما می توانید کد اجرا اجرا را تشکیل دهید که می تواند بر روی کارگران ایجاد شود، به احتمال زیاد از ساده تر کردن آن مدل R نیست و آن را در جاوا یا پایتون تنظیم می کند.