使用的语言是什么？

最近的一项民意调查的题目是 “您在分析/数据挖掘/数据科学工作中使用了哪些编程/统计语言？“ 这些趋势与前一年几乎相同。

机器学习语言

您现在对 ML 及其实际应用有了基本的了解，但可能很难知道从哪里开始或如何开始。重要的第一步是至少了解机器学习中使用的一种主要编程语言。

在我们深入研究之前，让我们谈谈数据科学家的受欢迎程度。Stack Overflow 在 2018 年进行的开发者调查显示，Python 是最流行的编程语言，其次是 Java 和 Javascript。

Python

Python 具有无可争议的受欢迎程度。Python 的创造者 Guido Van Rossum 说：“我当然没有打算创建一种面向大众消费的语言。” 可以肯定地说，他做了相反的事情，因为 Python 将编码带到了回避它的人的最前沿——过度复杂的语法早已不复存在。

这个描述流行 Python 用例的图表是开发者调查的另一个产品。最初，Web 开发似乎是 Python 最流行的用途，约占 26%。然而，数据分析和机器学习的结合显示了惊人的 27%。那么为什么Python在机器学习领域如此受欢迎呢？

在深入研究之前，我们必须了解 AI 项目在技术堆栈和所需技能方面与传统软件项目不同。因此，选择一种稳定、灵活且具有多种工具的编程语言非常重要。Python 满足所有这些要求。

除了简单性和一致性之外，它还有一个很棒的社区，可以帮助构建各种 ML 框架和库。这些是预先编写的 Python 代码包，可帮助机器学习工程师快速解决常见任务并更快地开发产品。

Python 为 ML 提供了一种其他语言无法提供的简单体验：您不必在这里重新发明轮子（WHL）。

Python 比其他编程语言更直观，因为它的语法非常简单，是团队实施的最佳选择。开发人员可以专注于手头的 ML 任务，例如复杂的算法或通用工作流，而不是语言的细节。

Python 还非常灵活且独立于平台，因为它受到 Linux、Windows 和 macOS 的支持，而无需 Python 解释器。这也使得在使用自己的 GPU 使间训练更便宜、更简单。57% 机器学习工程师报告使用 Python，其中 33% 的人更喜欢使用 Python 进行开发。

但是，对于任何事情，我们也必须考虑到 Python 的缺点：

几乎没有统计模型包
由于全局解释器锁 (GIL) 的存在，Python 中的线程非常有问题，而且多线程受限 CPU 限制的应用程序比单线程的应用程序运行得更慢。

R

R 是为高级统计和数据可视化而构建的。对于任何想要了解机器学习或统计中涉及的数学计算的人来说，这就是适合您的语言。

R 在数据分析和可视化方面胜过 Python。它允许快速原型设计和使用数据集来构建您的 ML 模型。例如，如果你想将大段的段落分解成单词或短语来寻找模式，R 会击败 Python。

R 还附带了一系列令人印象深刻的库和工具，可帮助您实现机器学习。这些高级数据分析包涵盖了建模前和建模后阶段，专为模型验证或数据可视化等特定任务而设计。

除了一个活跃且乐于助人的开源社区之外，R 还可以免费下载并附带 GNU 软件包，将其置于 SAS 和 Matlab 等昂贵的替代品中。R Studio 是一个 IDE，可让开发人员创建 ML 算法的统计可视化。R 带有控制台、语法高亮编辑器和其他有用的工具，例如绘图、历史记录、调试、工作区管理。

Julia

对，别想歪了，不是你们认为的某某。

而是这个

但 Julia 是一个真正的弱者：虽然不如 Python 和 R 流行，但它的设计与 Python、MATLAB 和 R 的功能以及 C++ 和 Java 的执行速度相匹配。现在有足够的理由记住它！Java 有两个巨大的优势：速度 + 专为并行性而设计。因为感觉像是一种脚本语言，所以切换起来也不难，所以 Python/R 开发者可以轻松上手。

在 AI 方面，Julia 最适合深度学习（在 Python 之后），非常适合快速执行基础数学和科学。Julia 专注于科学计算领域，非常适合它。由于这些计算能力，Julia 比 Python 和 R 具有可扩展性和更快的速度。