За останні кілька років машинне навчання набуло популярності. Хоча це стара дисципліна, майже така ж стара, як сама інформатика, вона лише нещодавно стала популярною та звичною.
Це пов’язано з наявністю великих обсягів даних і обчислювальної потужності для навчання. Це також стало прибутковою спеціалізацією для інженерів програмного забезпечення, і ця стаття є посібником щодо мов програмування, які використовуються для машинного навчання.
Що таке машинне навчання?
Машинне навчання — це дисципліна штучного інтелекту, де ми створюємо машини (комп’ютерні програми), які виводять правила щодо того, як виробляти правильні результати за будь-яких вхідних даних шляхом навчання з даних.
Це контрастує зі звичайним програмуванням, де ми чітко вказуємо комп’ютеру, як створити вихідні дані за будь-яких вхідних даних за допомогою розробленого нами алгоритму. Це особливо корисно в ситуаціях, коли ми не знаємо точно, як створити вихідні дані, або нам незручно явно записувати алгоритм.
Навички машинного навчання
- Програмування – машинне навчання передбачає написання коду для створення та навчання різних моделей. Тому важливо навчитися писати програми. У цій статті буде обговорено, які мови програмування для машинного навчання вам варто вивчити.
- Математика – Математика також дуже залучена до машинного навчання. Наскільки задіяна математика, залежить від того, наскільки глибоко ви хочете зрозуміти машинне навчання. У більшості випадків знання лінійної алгебри, числення, ймовірності та статистики має бути достатнім.
- Бази даних – також корисно знати, як взаємодіяти з базами даних. Зокрема, бази даних SQL є найбільш часто використовуваними. Це тому, що машинне навчання включає багато даних, і вам потрібно знати, як ефективно запитувати їх. Базового SQL має бути достатньо.
Найкращі мови програмування з машинним навчанням
Це список найкращих мов для машинного навчання. Хоча цей список не є вичерпним, він пропонує лише кілька, які, на мою думку, є найбільш корисними в цій дисципліні.
Мови низького рівня для машинного навчання
Низькорівневі мови в машинному навчанні зазвичай вважаються складнішими для вивчення та використання. Однак вони пропонують велику перевагу швидкості та ефективності.
У машинному навчанні, де прості операції виконуються мільйони разів на великих наборах даних, швидкість навчання важлива. Трохи швидші операції можуть бути різницею між навчанням за кілька хвилин і навчанням за години, дні або навіть довше. Найпоширенішими мовами низького рівня є R, C++ і Java.
Р
R є однією з основних мов, які використовуються в науці про дані разом із Python. Це статистична мова з чудовими можливостями візуалізації. Через те, що мова зосереджена на статистичній мові, працювати зі статистикою легше, ніж мовами загального призначення.
Це пояснюється тим, що він надає вбудовані функції для звичайних завдань, які інакше потребували б пакетів різними мовами. Наприклад, він має вбудовані типи даних для таких об’єктів, як вектори та матриці.
На додаток до вбудованих функцій, R має такі пакети, як Lattice, DataExplorer, Caret і Janiot, які можна використовувати в машинному навчанні. У результаті вона стала однією з найкращих мов програмування для машинного навчання. Якщо ви хочете вивчити R, ось як почати.
C++
C++ є найшвидшою мовою програмування у світі завдяки тому, наскільки ефективно вона компілюється в машинну мову. Завдяки своїй швидкості C++ є хорошою мовою програмування з машинним навчанням.
Він має багату бібліотечну підтримку для реалізації функцій, які зазвичай потрібні в машинному навчанні. До них відносяться SHARK і MLPack. Фактично, найпопулярніші пакети Python, які використовуються для машинного навчання, такі як PyTorch і Tensorflow, реалізовані за допомогою C++ під капотом.
C++ дозволяє оптимізувати використання таких ресурсів, як пам’ять, процесор і графічний процесор. У результаті, якщо ви добре володієте C++, ви можете писати більш продуктивні моделі та зменшувати розмір навчання.
Java
Java є однією з найпопулярніших мов програмування у світі, яка використовується здебільшого через її всюдисущість і надійність. Він використовується для створення корпоративних додатків деякими з найбільших технологічних компаній у світі.
Java ідеально підходить для машинного навчання, оскільки вона швидша за інші мови, наприклад Python. Його використовують такі компанії, як Netflix і LinkedIn, для створення своїх конвеєрів машинного навчання.
Він добре інтегрується в рішення для керування великими даними, такі як Apache Kafka, і розподілені обчислювальні структури, такі як Apache Spark і Hadoop. Її бібліотека інструментів для глибокого навчання включає DeepLearning4J, ELKI, JavaML, JSat і Weka. Поєднання швидкості, надійності та великої бібліотеки Java робить її ще однією хорошою мовою програмування для машинного навчання.
Мови середнього рівня
Мови середнього рівня можна розглядати як компроміс між мовами низького та високого рівнів. Вони намагаються отримати найкраще з обох світів і, як наслідок, надають певну абстракцію, яка спрощує ваш код, і швидкість, яка підтримує продуктивність ваших моделей. Найпопулярнішими мовами в цій категорії є Julia та Lisp.
Юлія
Julia — це мова програмування загального призначення, яка часто використовується для числового аналізу та обчислювальної науки. Як і Python, Julia динамічно друкується, що полегшує роботу.
Насправді він створений таким же легким і простим у використанні, як Python. Однак він уникає проблем продуктивності Python і намагається бути настільки ж продуктивним, як і мова програмування C. Однією з переваг Julia є те, що векторизований код працює лише трохи швидше, ніж девекторизований код. Це робить майже непотрібним векторизувати код.
Юлія також має багато пакетів для побудови моделей машинного навчання. На момент написання статті Джулія мала близько 7400 пакетів для реалізації таких речей, як лінійна алгебра, нейронні мережі, імпортування та читання даних і візуалізація даних. З цієї причини Julia вважається найкращою та найприроднішою заміною Python у машинному навчанні.
Лісп
Lisp — це швидка мова програмування, яка існує з 1960 року, що робить її другою найстарішою мовою програмування, яка досі використовується. Найстарішим є Fortran.
З часом Lisp змінився, і з’явилося багато діалектів. Найпоширеніший з них називається Common Lisp. Він має багато парадигм і підтримує як динамічну, так і сильну типізацію.
Він чудово підходить для штучного інтелекту та машинного навчання, оскільки дає змогу створювати програми, які добре обчислюють із символами. Lisp є гнучким, що дозволяє вам кодувати в динамічних і сильних парадигмах набору тексту.
Це також швидко, що скорочує час навчання ваших моделей. Крім того, Lisp дозволяє вам визначати власну підмову для роботи з більш складними ситуаціями. Він має такі бібліотеки, як MGL і CLML, для виконання звичайних завдань машинного навчання.
Мови програмування високого рівня
Python
Python на сьогодні є найпопулярнішою мовою для машинного навчання. Це мова загального призначення, яка була створена в 1995 році. Відтоді вона набула популярності, ставши найбільш використовуваною мовою програмування в цілому.
Це не випадково; скоріше, це тому, що Python був розроблений, щоб бути елегантним і простим. Це робить його легким для вивчення та зручним для початківців навіть для людей, які не мають досвіду програмування.
Через свою популярність Python має велику спільноту та багато ресурсів для навчання. Він також має бібліотеки для машинного навчання, наприклад Tensorflow і PyTorch, чисельних обчислень, таких як NumPy, і керування даними, таких як Pandas. Оскільки Python може взаємодіяти з програмами, написаними на C++ і C, його можна розширити бібліотеками, написаними на цих мовах, щоб зробити його швидшим. Саме так написані більшість бібліотек машинного навчання Python. Це дозволяє вашому коду Python бути продуктивним.
Як наслідок, Python є найпопулярнішою мовою для машинного навчання, яку ви обов’язково повинні вивчити.
JavaScript
JavaScript є однією з найпопулярніших мов програмування у світі. Хоча вона починалася як мова для створення сценаріїв веб-сторінок, згодом вона перетворилася на універсальну мову, яка використовується майже для будь-чого.
Його використання включає написання серверного коду, створення настільних і мобільних додатків і створення моделей машинного навчання. Потужність JavaScript як мови машинного навчання полягає в його повсюдності; тобто більшість пристроїв здатні запускати код JavaScript лише за допомогою браузера.
Хоча більшість пристроїв не мають графічних процесорів для запуску великих моделей, все ж може бути корисним навчати та використовувати менші моделі у браузері. Це дає змогу створювати моделі, які навчаються на конфіденційних даних користувача без необхідності надсилати їх на сервер.
Ви також можете використовувати JavaScript для реалізації швидших передбачень. Це пояснюється тим, що більшість програм ML надсилають дані на сервер і повертають передбачення. Як наслідок, швидкість передбачення сповільнюється через затримку підключення, що може створити погану взаємодію з користувачем.
Ви також можете створювати моделі, які запускаються в мобільних додатках, створених за допомогою React Native. Бібліотеки машинного навчання за допомогою JavaScript включають ML5.js, Synaptic і Brain.js.
Мова, яку потрібно вивчити для машинного навчання
Хоча всі ці мови корисні для машинного навчання, я б сказав, що Python є обов’язковим. Окрім Python, ви можете вивчити інші мови, наприклад Julia або C++, щоб пришвидшити свій код, але більшість машинного навчання виконується на Python.
Отже, якщо ви хочете стати інженером машинного навчання, вам слід принаймні знати Python. Окрім мови Python, ви також повинні знати NumPy, бібліотеку Python для чисельних обчислень.
Читайте також: Книги та курси для вивчення NumPy за місяць
Заключні слова
Через його популярність та екосистему я не думаю, що Python скоро припинить свою роботу. Як результат, це корисна мова для вивчення, якщо ви зацікавлені стати інженером машинного навчання. Її також легше вивчати порівняно з іншими мовами та зручна для початківців. Таким чином, це ідеальна перша мова.
Після Python C++ має сенс, оскільки більшість бібліотек Python для машинного навчання написані на C++. Це дозволить вам якомога швидше працювати з самими бібліотеками та пришвидшити код Python, розширивши його на C++. Окрім цього, ви можете вибрати будь-яку іншу мову, наприклад Julia або R.
Далі перегляньте мови програмування для використання в Data Science.