机器学习的兴起及其编程语言选择
近年来，机器学习技术得到了飞速发展。尽管机器学习作为一门学科的历史几乎与计算机科学本身一样悠久，但直到最近才真正开始流行并被广泛应用。
这一现象的出现，得益于大量可用于模型训练的数据以及强大的计算能力。 机器学习也因此成为了软件工程师一个极具前景的专业领域。 本文旨在为那些想要涉足机器学习领域的开发者提供一份关于编程语言的指南。
什么是机器学习？
机器学习是人工智能的一个分支，它专注于构建能够通过从数据中学习来推断规则的机器（即计算机程序）。 这些规则可以帮助机器在给定任何输入的情况下产生正确的输出。
这一点与传统编程有所不同，传统编程需要我们明确地告诉计算机如何使用我们预先设计的算法来处理输入并产生相应的输出。 在我们无法明确知道如何根据输入得出输出，或者不便于明确编写算法的情况下，机器学习就显得尤为重要。
机器学习所需技能
- 编程: 机器学习的核心在于编写代码来构建和训练各种模型，因此，掌握编程技能至关重要。 本文将详细介绍在机器学习领域中，你应该学习哪些编程语言。
- 数学: 数学在机器学习中扮演着重要角色。 你需要掌握的数学知识的深度，取决于你希望对机器学习的理解有多深入。 在大多数情况下，线性代数、微积分、概率论和统计学的知识就足够了。
- 数据库: 了解如何与数据库交互也十分有益，特别是SQL数据库，它在业界使用最为广泛。 这是因为机器学习通常需要处理大量数据，你需要知道如何高效地查询数据。 掌握基本的SQL知识应该就足够了。
最佳机器学习编程语言
以下列出的是一些在机器学习领域中表现出色的编程语言。 尽管这个列表并不全面，但它涵盖了笔者认为在该领域中最有价值的几种语言。
机器学习中的低级语言
机器学习中的低级语言通常被认为学习和使用起来更具挑战性。 然而，它们在速度和效率方面具有显著的优势。
在机器学习中，简单的操作需要在庞大的数据集上执行数百万次，因此训练速度至关重要。 操作速度上细微的提升，就可能导致训练时间从几分钟缩短到几个小时，甚至几天或更长时间。 最常见的低级语言包括R、C++和Java。
R
R 语言是与Python并列的数据科学主要语言之一。 它是一种以其出色的可视化功能而闻名的统计语言。 R 专注于统计应用，因此在处理统计任务时比通用语言更为方便。
这是因为它为常见的统计任务提供了内置函数，而这些函数在其他语言中可能需要借助额外的包才能实现。 举例来说，R语言拥有内置的数据类型，如向量和矩阵。
除了内置函数之外，R还拥有诸如Lattice、DataExplorer、Caret和Janiot等可用于机器学习的软件包。 因此，它成为了机器学习领域中备受推崇的编程语言之一。 如果你想要学习R语言，可以按照以下步骤开始。
C++
C++ 是世界上速度最快的编程语言之一，因为它能够高效地编译成机器语言。 鉴于其速度优势，C++ 是一种在机器学习领域具有竞争力的编程语言。
它拥有丰富的库支持，可以用来实现机器学习中常用的功能，例如SHARK和MLPack。 事实上，许多流行的Python机器学习软件包，例如PyTorch和Tensorflow，其底层都是用C++实现的。
C++ 允许你更好地管理资源，例如内存、CPU和GPU的操作。 因此，如果你精通C++， 你就能编写出性能更高的模型，并缩短训练时间。
Java
Java是世界上最流行的编程语言之一，主要因其普遍性和可靠性而被广泛使用。 许多全球知名的大型科技公司都使用Java来构建企业级应用程序。
Java是机器学习的理想选择，因为它比Python等其他语言速度更快。 Netflix和LinkedIn等公司都使用Java来构建机器学习管道。
它能够很好地与大数据管理解决方案（如Apache Kafka）和分布式计算框架（如Apache Spark和Hadoop）集成。 其深度学习工具库包括DeepLearning4J、ELKI、JavaML、JSat和Weka。 Java集速度、可靠性和广泛的库于一身，使其成为机器学习的又一优秀编程语言。
中级语言
中级语言可以看作是低级语言和高级语言之间的折衷。 它们力求兼顾两者的优点，既提供了一定的抽象来简化代码，又保证了模型的高性能。 此类别中最受欢迎的语言是Julia和Lisp。
Julia
Julia 是一种通用的编程语言，主要应用于数值分析和计算科学。 与Python类似，Julia是动态类型的，因此更易于使用。
事实上，它的设计目标就是像Python一样简单易用。 然而，它克服了Python的性能问题，并力求达到C编程语言的性能水平。 Julia 的一个优势是向量化代码的运行速度仅比非向量化代码略快，这使得几乎没有必要对代码进行向量化。
Julia还拥有许多用于构建机器学习模型的包。 截至撰写本文时，Julia拥有约7400个包，用于实现线性代数、神经网络、导入和读取数据以及数据可视化等功能。 出于这个原因，Julia被认为是机器学习领域中Python的最佳替代品，并且使用起来更为自然。
Lisp
Lisp 是一种诞生于1960年的快速编程语言，这使其成为目前仍在使用中的第二古老的编程语言。 最古老的是Fortran。
随着时间的推移，Lisp经历了发展演变，出现了许多不同的方言。 最常见的一种称为Common Lisp。 它支持多种编程范式，同时支持动态类型和强类型。
它特别适合人工智能和机器学习，因为它允许你创建能够很好地使用符号进行计算的程序。 Lisp 非常灵活，允许你在动态和强类型范例中进行编码。
它的速度很快，这有助于缩短模型的训练时间。 此外，Lisp 允许你定义自己的子语言来处理更复杂的情况。 它拥有用于执行常见机器学习任务的库，如MGL和CLML。
高级编程语言
Python
Python是目前最流行的机器学习语言。 它是一种通用语言，于1995年问世。 从那时起，它越来越受欢迎，并已成为总体上使用最广泛的编程语言。
这并非偶然； 相反，这是因为Python的设计理念是优雅和简洁。 这使得它易于学习，并且对初学者友好，即使对于那些没有任何编程经验的人来说也是如此。
由于其普及性，Python拥有庞大的社区和丰富的学习资源。 它还具有用于机器学习的库，例如Tensorflow和PyTorch，用于数值计算的库，例如NumPy，以及用于数据管理的库，例如Pandas。 由于Python可以与用C++和C编写的程序交互，因此可以通过用这些语言编写的库进行扩展，从而提高其运行速度。 这就是大多数Python机器学习库的编写方式。 这使得你的Python代码具有更高的性能。
因此，Python是最流行的机器学习语言，也是你必须学习的语言。
JavaScript
JavaScript是世界上最受欢迎的编程语言之一。 虽然它最初是一种用于编写网页脚本的语言，但它已经发展成为一种用于几乎所有事物的通用语言。
它的用途包括编写服务器端代码、创建桌面和移动应用程序以及构建机器学习模型。 JavaScript作为一种机器学习语言的强大之处在于它无处不在。 也就是说，大多数设备都能够仅通过浏览器运行JavaScript代码。
尽管大多数设备没有GPU来运行大型模型，但在浏览器中训练和使用较小的模型仍然可能是有益的。 这样做使你能够构建模型来训练敏感的用户数据，而无需将其发送到服务器。
你还可以使用JavaScript来实现更快的预测。 这是因为大多数ML应用程序将数据发送到服务器并返回预测。 因此，连接延迟会降低预测速度，这可能会造成糟糕的用户体验。
你还可以创建在使用React Native构建的移动应用程序中运行的模型。 JavaScript的机器学习库包括ML5.js、Synaptic和Brain.js。
机器学习必学语言
尽管上述所有语言都对机器学习有所帮助，但我认为Python是必备语言。 除了Python之外，你还可以学习其他语言（如Julia或C++）来加速你的代码，但大部分机器学习工作都是在Python中完成的。
因此，如果你想成为一名机器学习工程师，你至少应该了解Python。 除了Python语言之外，你还应该了解NumPy，这是一个用于数值计算的Python库。
另请阅读：一个月内学习NumPy的书籍和课程
最后的话
鉴于其受欢迎程度和生态系统，我认为Python在短期内不会被取代。 因此，如果你有兴趣成为一名机器学习工程师，学习它是一种非常有用的语言。 与其他语言相比，它也更容易学习，并且对初学者友好。 因此，它是一种理想的第一语言。
在Python之后，C++的学习也是有意义的，因为大多数用于机器学习的Python库都是用C++编写的。 这将使你能够更深入地理解库的运行机制，并通过在C++中扩展它来加速你的Python代码。 除此之外，你还可以选择你喜欢的其他任何语言，例如Julia或R。
接下来，可以了解一下数据科学中常用的编程语言。