<mark id="oztn4"></mark>
0
機器學習的初學者，普遍需要面對一個問題：
到底學習哪個編程語言？
答案可能會讓你驚訝：對高手來說，這關系不大。只要你了解所選語言的機器學習庫和工具，語言本身其實沒那么重要。相當多的機器學習庫支持多種編程語言。當然，取決于你在公司中的開發角色和你需要實現的任務，有些語言、庫和工具會比其他的更高效。下面，我們來看看六大主流機器學習語言——R 語言、MATLAB、Python、Java 、C/C++ 和 Lisp。
R 是一個專門設計來進行數據計算的語言工具。在大規模數據挖掘、可視化和報告的應用場景中，它處于領先地位。通過 CRAN 資源庫，你能輕易獲得海量工具包，能應用于幾乎所有的機器學習算法、數據測試和分析過程。R 語言用于表達關系、轉化數據以及進行并行操作的語法十分優雅，但略顯深奧。
雷鋒網消息，KDNuggets 最近的調查發現，在分析、挖據和其他數據科學任務中，R 是最受歡迎、最常用的語言。但近年來 Python 逐漸搶走更多用戶。
KDNuggets 2015 民意調查: 分析、挖據和數據科學任務中最常用的編程語言是 R。
MATLAB 在學術界十分普及，這是因為：
它強大的數學處理能力；
對代數、微積分有豐富支持；
支持符號計算；
對不同學科（從數字信號處理到計算生物學）有一系列豐富的工具箱。
這門基于矩陣的語言，經常應用于機器學習算法的原型設計，有時還被用于開發復雜的解決方案。它的商用許可特別貴，但對有些企業用戶來說也許值得，因為它可以大幅減少開發、研究耗費的時間和精力。AI 大牛吳恩達就推薦初學者使用 Octave 或 MATLAB 入門。相比之下，Octave 是 MATLAB 的一個免費替代品，它們十分相似，有幾乎相同的語法。只是 Octave 的工具箱更少一些，IDE 也不如 MATLAB 成熟。
雖然 Python 是一門通用型的編程、編寫腳本的語言，但它逐漸在數據科學家和機器學習工程師之間流行起來。與 R 和 MATLAB 不同的是，數據處理和科學計算的慣用語法并沒有內置于 Python 語言中，但 NumPy、SciPy 和 Pandas 這些庫把 Python 這方面的的功能性提到了與 R 和 MATLAB 同等的水平。還有人認為這使 Python 的語法更易用。
有海量開源框架支持 Python：比如 Scikit-learn、Theano、TensorFlow。這些專業機器學習庫使開發者訓練機器學習模型更便捷，有的還能很好地支持分布式計算。通常，這些資料庫中關乎性能表現的代碼，大多數仍然用 C 或 C++ 編寫，有的甚至用 Fortran；Python 的角色主要是作為 wrappers 或者 API。R 語言包與之類似。
Python 生態系統最大的優勢在于：用它組合出一個復雜的端到端產品或服務比較容易，比如說使用 Django 或 Flask 的網絡應用，還有使用 PyQt 的桌面應用，甚至是使用 ROS 的自主機器人代理。
值得一提的是，慕課三巨頭 （edX, Coursera, and Udacity）全都提供了 Python 的入門課程。另外，包括 MIT、加州大學伯克利分校在內的美國頂級學府，已經把 Python 作為計算機新生的必修語言。可以預期，將來會有更多的 IT 頂級名校轉向 Python，與之相對的它在工業界的不斷普及。
總而言之，在機器學習領域，Python 是一個全能多面手，許多人認為它是未來的大趨勢。
Java 是大多數軟件工程師的選擇。這是由于在面向對象的編程中，它干凈、一致的執行方式；以及使用 JVMs 的平臺獨立性。它犧牲了簡潔和靈活性，以使代碼更清楚明白，并提高可靠性。這使它廣泛應用于重要級別較高的企業軟件系統中。為了維持相同水平的可靠性，并避免編寫出亂七八糟的界面，正在使用 Java 的企業傾向于在機器學習應用中繼續使用該語言。
在分析和設計原型上，java 有許多很有用的工具和庫（比如 Weka）。除此之外，在開發大規模分布式學習系統上，Java 有很多一流的選擇：比如 Spark+MLlib, Mahout, H2O 和 Deeplearning4j。騰訊一個月前開源的大數據計算平臺 Angel 也是使用的 Java。這些框架/庫對業界標準的數據處理和存儲系統十分友好（比如Hadoop/HDFS），使它們之間的兼容、整合十分方便。
C/C++ 是編寫底層軟件的理想語言，比如操作系統的某部分或網絡草案。計算速度和內存效率在這些應用場景中十分關鍵。出于同樣的原因，它們也是執行機器學習底層步驟的通用選項。但是，由于缺乏對數據處理的慣用抽象化，而且內存管理加重了寫代碼的負擔，使它們對初學者十分不友好。開發完整的端到端系統中使用 C/C++ 也是一項負擔。
在嵌入式系統的例子中，比如智能設備、汽車和傳感器，使用 C 或者 C++ 語言可能是必需的。若現有平臺基礎或特定應用已使用了 C/C++，使用它們會更方便。另外，基于 C/C++ 的機器學習庫也有不少，比如 LibSVM, Shark 和 mlpack。
這可是 AI 編程語言的祖師。就雷鋒網所知，Lisp 誕生于 1958 年，是有史以來第一個用于 AI 的計算機語言。該語言十分靈活、并可擴展。它的一些屬性，比如快速原型設計和方便的“宏”使用（macro utility），在 AI 開發中十分有用。編寫復雜程序使用 Lisp 相對容易。它是一個能用簡單的方式創造強大算法的語言。
Lisp 有著清楚的映射，用它進行系統性的改變相對容易。它的 Read-eval-print 回路（讀取-求值-輸出的回路，簡稱 REPL）提供了交互性的開發環境。動態類型（Dynamic typing）、condition system 以及強大的對象系統（object system）是 Lisp 主要特點，使它一度成為 AI 領域最常用語言之一。目前雖然在國內比較小眾，但業內公認它是最強大的機器學習語言之一。
這些語言之外，還有幾個用于數據建模和和企業分析的商業化產品，它們能在具有更高可控性的數據處理環境中應用機器學習模型。 RapidMiner, IBM SPSS, SAS+JMP 和 Stata 都屬于這類產品。它們旨在為數據分析提供可靠的端到端解決方案，并通常有可編程 API 以及可編寫腳本的語法。
不斷普及的基于機器學習的云服務，是該領域的最新發展。這包括亞馬遜機器學習，Google Prediction, DataRobot, IBM Watson （沃森） 和 Microsoft Azure。對于把學習方案擴展到對海量數據的處理，以及用不同模型進行快速測試，它們向客戶提供了解決方案。只要你有堅實的機器學習基礎，使用新產品或者新平臺就相當于學習怎么使用一個新工具。
選擇語言/庫時一個很重要的考慮是如何平衡開發時間和執行時間。如果需要幾個月來開發，一個能在幾分鐘內完成數據處理的學習通道也或許一文不值。快速地創建、測試原型非常重要，因為首次嘗試一般都是失敗的，開發者需要不斷重復。
這就是為什么有經驗的機器學習工程師會如此搶手：他們做開發時，會使用任何用著順手的工具/語言/庫。就雷鋒網所知，在 AI 產品開發中，這是一個經常發生的場景：用 Python、R 這些高層語言開發算法原型，然后把方案轉移到 Java 或者 C/C++ 上，來生產終端產品。因此，想成為高層次的機器學習開發者，只會一種語言是不夠的。
相關文章：
谷歌、微軟、OpenAI 等巨頭的七大機器學習開源項目 看這篇就夠了
盤點四大民間機器學習開源框架：Theano、Caffe、Torch 和 SciKit-learn
IEEE Spectrum公布編程語言最新排行：大數據是贏家
