本文最初发表于： 什么是机器学习和人工智能的最佳编程语言？
机器学习（ML）作为人工智能（AI）的领域并不是计算机科学中的新概念。 但是，ML仅在最近几年才经历了扩展和普及，因为它可以使用大数据。 试想一下，今天比十年前有多少可用数据。
我们所有人都知道，几乎所有社交网络都使用AI。 例如，Facebook和Instagram基于用户以前喜欢的页面，生成可能吸引用户的页面建议。 这些建议是自动产生的，或者是通过首先学会识别用户喜欢的内容的程序来提供的，然后向他提出建议以提高对给定区域的了解。
通过选择一种编程语言，提供相关数据并实现适当的算法，我们可以创建一个程序，该程序将像人一样学习如何响应特定要求。
在上面的讨论中，无论您是程序员还是对编程这一领域感兴趣的人士，并且想学习，在本文中，我都会通过分析和比较向您介绍ML领域中的五种杰出语言。 它们是Python，R，Java，Lisp和Javascript。
1. Python
易于学习（ Python课程 ），简单的语法以及许多框架和库。 这些就是原因，因为Python提出了最受欢迎的语言之一。 它是经过解释和动态键入的程序语言。
在哪里使用？
Python具有常规用法，标准和Web应用程序的开发。 但是，使它与众不同的是它在AI和数据科学领域的使用。
与其他语言相比，在数据科学和ML领域，Python的优势越来越明显。 大量用于机器学习，易于编写的框架和库以及庞大的社区，影响了该语言在该领域正在经历真正的扩展这一事实。 我要强调的另一件事是异步工作。 当我们有更多数据源时，这在ML的上下文中很方便。
大型项目/公司使用谁？
我们每个人都必须具有在亚马逊上购买产品的经验。 您可以看到产品推荐。 这些建议基于我们先前的购买和产品搜索而产生，并且基于此进行了Python ML模型的构建。
Google（Gmail）是使用TensorFlow Python框架预测垃圾邮件的较大公司之一。 TensorFlow由Google开发，因此已被其他几种“产品”使用，例如语音识别等。
机器学习和AI上下文中有什么用途，可以用它来构建可在语言上下文中使用的框架吗？
我已经提到过，Python以库和框架的形式提供了极大的ML支持。
TensorFlow是最流行的框架，涵盖ML中的所有流程。 它也用于深度学习。 它们所暴露的区域是基于检测和推荐的应用程序（例如，语音检测，图像和视频识别）。
我们还可以使用TensorFlow开发聊天机器人。 但是在谈论聊天机器人时，必须强调的是，除了它之外，Twitter聊天机器人还有其他几个库，例如Tweepy。
说到库，Scikit是一个包含众多算法的库。 如果您访问官方网站，则可以看到几个我想突出显示的示例，例如“人脸识别”或识别手写数字。
优点
- 它很容易编写，-极简主义（与Java相比，具有更少的代码行的应用程序开发），-许多机器学习课程，-大型社区，-许多库和框架
缺点
- 与Java相比，执行速度较慢-不适合移动开发，-游戏开发不是一个好选择
2. R编程
多年来，R是数据科学的代名词。 它是解释型和动态类型化的语言。
如果您已经用另一种语言编程，则可以快速了解R的工作原理。 它不需要很多知识，因为R具有许多可以在学习过程中帮助您的软件包，库和材料（例如Python）。
在哪里使用？
R是为统计和预测分析而创建的，我们通常会在数据科学中找到它的用途。 在ML内，R是仅次于Payton的该领域中最丰富的。
使用它的大型项目/公司？
许多大公司使用R进行数据分析，大数据建模和可视化。 其中一些是Google，Uber，《纽约时报》。 R在银行业中有着广泛的用途，特别是在预测不同风险的领域中。 在这方面，我要提到美国银行和澳新银行。
Facebook使用R进行ML测试，而Twitter创建R语言异常检测库。
机器学习和AI上下文中有什么用途，可以用它来构建可在语言上下文中使用的框架吗？
mlr软件包用途最广泛，因为它参与了ML过程的所有阶段。 dmlc XGBoost与mlr的不同之处仅在于更好的性能。
我需要强调两个重要的数据科学图书馆。 这些是Dplyr和Ggplot。
Dplyr是一个功能强大的R库，具有简单的语法并主导着数据处理过程。 在数据分解过程中尤其要强调这一点。
Ggplot2是另一个重要的库，用于数据的可视化和图形表示。 这是一个非常古老的图书馆，但是由于它包含了许多不同风格的地块。
优点
- 有利于统计-大量的库和框架
缺点
- 比Python慢，-不适合新手，-写得不好
3. Java
Java是经过编译的强类型语言。 在编程中，它是一个标准，并且它的流行程度并没有因此下降。 与Python相比，该程序的性能执行要好得多。 但是学习和编码更加复杂。
在哪里使用？
Java就像Python通用语言一样，用途广泛：从游戏开发到标准，Web和移动应用程序。
这种编程语言对于ML可能是一个不错的选择，特别是对于基于Java且需要通过添加ML进行改进的企业而言。 但是，考虑到ML领域本身很复杂，因此Java甚至在高级开发人员中都可能在该领域遇到困难。 因此，Python和R比ML更占优势。
使用它的大型项目/公司？
许多知名公司将Java用作服务器端语言之一。 其中一些公司是YouTube，亚马逊，eBay和LinkedIn。
机器学习和AI上下文中有什么用途，可以用它来构建可在语言上下文中使用的框架吗？
在谈论基于模式识别的深度学习时，Deeplearning4j是最常用的库。 它与该区域非常吻合，非常适合于文本，面部，图像和语音识别。
Weka和Massive在线分析（MOA）是另外两个重要的库，其中包含大量工具和算法。 它们经常一起使用，并得到广大社区的支持。 它们应用的领域是数据科学和推荐系统。
同样，借助于这种编程语言，开发了许多需要学习如何与用户玩游戏的AI游戏，例如国际象棋和井字游戏。 最后，我想提到Chatbot应用程序。 我们在医学界和不断提供服务并与用户保持联系的公司中可以找到许多此类服务。
优点
- 大社区-与Python相比执行速度更快-开发游戏的绝佳选择-开发移动应用程序的绝佳选择
缺点
- 不适合初学者使用-需要JVM才能运行
4. Lisp
Lisp是一门编程语言家族，其中最受欢迎的方言是Clojure和Common Lisp。 与该列表中的其他语言相比，Lisp的历史最长。 因此，它对R，Python和Javascript的开发有很大影响。 它是动态键入的。
在AI的上下文中，Lisp是一种流行的语言，但是其AI概念不同于当今的概念和需求。 在学习难度方面，Lisp是较难使用的语言之一，不建议初学者使用。
在哪里使用？
Lisp是一种通用语言，但在传统的象征性AI领域中使用最多。
使用它的大型项目/公司？
ELIZA是与LISP开发的对话（交谈）程序。 它是当今Chatbot应用程序的先驱。 对于现代版本，ELIZA的使用尚未停止，您可以使用它来创建用于电子商务网站的Chatbot。
另外，语法使用Common Lisp。
机器学习和AI上下文中有什么用途，可以用它来构建可在语言上下文中使用的框架吗？
我已经提到Lisp在传统AI中脱颖而出。 与在机器学习和深度学习等领域中使用的Python和Java相比，Lisp无法处理这种现代要求。
这样做的原因主要是缺少库形式的支持。
无论如何，Lisp的背景对于理解传统AI的概念仍然至关重要。
优点
—使用适当的编译器，速度很快，
—解决问题很好
缺点
-不适合初学者，
—没有足够的库，
—社区不如Python或Java社区那么大
5. Javascript
由于具有全栈功能，带有Node.js的Java语言使该语言在Web开发中很特别。 Javascript是解释型和动态类型化的语言。
一个基本要素是Java语言易于学习的基础知识。 但是，必须记住，初学者对工作环境的理解有时很困难，需要引起很多关注。 实际上，这种语言属于易于学习的人群。
在哪里使用？
Javascript的使用仅限于Web开发，这使该语言与列表中的其他语言区别开来。 我可以说，如果您的工作和兴趣领域纯粹是网络，那么此功能非常有用。 该语言用于网站的动态和交互，然后用于构建标准的Web应用程序和渐进式Web应用程序。
由于Java的发展日新月异，因此扩展了其应用范围，因此，它在数据科学和ML中得到了应用。 社区对于这些领域的兴趣正在变得越来越强烈，这是一个非常积极的事实。
使用它的大型项目/公司？
在前端领域，很少有公司没有选择Java语言作为其主要语言。 我只会提到Wikipedia，WordPress和Facebook。 另一方面，除了前端，LinkedIn和eBay之外，Java语言已包括在语言和后端页面中。
机器学习和AI上下文中有什么用途，可以用它来构建可在语言上下文中使用的框架吗？
Google和Facebook已经开发了许多库和框架。
当我们谈论Java语言中的ML时，我首先需要提及DialogFlow。 那既不是库，也不是框架，而是谷歌基于人工智能开发的强大技术。 DialogFlow使创建和训练人机交互变得容易。 使用DialogFlow和Node.js，您可以为Messenger，Slack，Twitter和类似网络快速开发语音或文本聊天机器人。 而且，该技术通常与Angular等框架结合使用，以在Web应用程序中开发Chatbot。
TenserFlow.js库现在是最受欢迎的ML开发和培训库之一，并且是使用Javascript的深度学习模型。 如果您访问该站点，将会看到一些激动人心的项目。 我会标记“表情符号寻宝游戏”，它可以为您提供某些表情符号，您需要借助相机在短时间内尽可能多地识别它们。
对于神经网络领域，我将重点介绍brain.js库。 还有一个短期课程。
优点
- 初学者友好，
- 全栈，
- 它很快
缺点
- 在使用Node.js平台之前，必须具有JS的良好知识-某些编程语言概念可能会使初学者感到困惑
工作量最多的语言等级
- JavaScript — 12,620
- Java— 11,505
- Python-7,928
- R — 936
- Lisp-3
薪水最高的语言等级
为了估算收入最高的技术，我们采用了过去三个月的中位数工资。 我必须说结果令人印象深刻。
- Lisp-$ 73k
- Python-$ 67k
- Java-$ 65k
- R — $ 65k
- JavaScript — $ 56k
易学排名
- Python
- JavaScript
- Java
- [R
- Lisp
一般
如果查看统计信息，可以发现没有一种语言比另一种语言优越。 例如，Lisp是收入最高的，但是对Lisp专家的需求很小。 影响该语言受欢迎程度的因素很多，而且这种情况每年都在Swift变化。 但是，如果我们遵循这些标准以及我在本文中提供的事实进行指导，那么与其他语言相比，Python是ML中必不可少的一种语言。
它已成为科学和学术界的一部分，在ML领域，Python比其他所有语言都有更广泛的用途。 对于较大的ML项目，也比R具有更多的优势，尤其是在易于编写方面，这也是必不可少的。 与Lisp相比，Python受到一些深度学习库的破坏，但不建议在此领域使用Lisp。
在谈论Java时，它在开发台式机，移动应用程序和游戏方面比Python更好。 另外，对Java开发人员的需求也更高。 因此，Java多年来一直是稳定且可访问的语言，因此您肯定不会犯错。 但是，要学习Python尤其是对于初学者而言，要学习它要困难得多，在实现第一个严肃的ML项目之前，必须花费大量时间和精力。
最后，您不应忽略Javascript。 现在，它在最高薪水列表中排名最低，但认为对Javascript开发人员的需求最大。 作为ML中最年轻的语言，它以惊人的速度发展并且专注于Web开发，因此不排除ML会随着时间的推移加薪。
优胜者：Python和Javascript
感谢您的阅读！
454
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
