如果有人想进入到与人工智能相关的行业中来,应该懂得如何使用Python?
1.PSF联合创始人兼eGenix首席执行官Marc-AndreLemburg.
首先,对于没有受过计算机科学培训的技术人员,在理解Python的过程中就相对容易得多了。其次,当你需要集成外部库文件时,Python没那么复杂,很容易上手。在Numeric(现在是NumPy)被发布出来后,Python增加了IPython 编辑器(现在是Jupyter 编辑器)、matplotlib等工具,这些编辑器让开发变得更加直观。
与其他领域一样,Python是一种理想的集成语言。Python将底层技术封装起来,允许使用者关注真正的问题,而不是把时间耗费在实现细节上。Python除了为开发人员提供更方便的功能之外,对于那些想要在底层集成外部库的工程师,Python作为一种“胶水”语言表现同样很出色,这主要得益于Python可以通过C API接口被友好访问。
2.ThoughtWorks技术负责人LucianoRamalho.
最重要和最直接的原因是NumPy和SciPy库支持scikit-learn这样的项目,它目前几乎是机器学习的事实标准工具。NumPy、SciPy、scikit-learn和其他库被创造出来的原因是,Python有一些功能对科学计算很是有吸引力。
Python有一个简单而一致的语法,可以让软件工程师以外的人更容易懂得并使用编程。另一个原因是运算符重载,Python使代码既可读,又简洁。然后是Python的缓冲协议(PEP 3118),这是外部库在处理类似数组的数据结构时可与Python高效互操作的标准。最后,Python为科学计算提供了丰富的库生态系统,吸引了更多的科学家参与丰富这个系统。
3.Python网络编程框架Twisted创始人GlyphLefkowitz.
曾有一段时间,人们认为,Lisp是人工智能主要的语言,不仅仅是因为Lisp是一种更高级的语言,还因为研究人员更容易用Lisp来做快速原型。我认为目前Python已经在一定程度上快要取代Lisp了,除了Python也是高级语言以外,它还拥有出色的第三方库生态系统,以及对底层操作系统的良好兼容性。如果你不这么认为,那么允许我再描述的清楚一些。我不打算精确地描述Python在程序设计架构中的位置,只是说Python和Lisp都处于相同的语言类别,两者在资源回收、内存安全、模块、名称空间和高级数据结构上有很多相似之处。对于机器学习或者说对于大家谈论更多AI而言,我有更清晰的答案。
NumPy及其生态系统的存在使得研究人员可以进行高性能的数据处理,从而提高工作效率。机器学习需要大量的数据处理,你懂的。Python社区致力于为非程序员提供指南和生态系统支持,这无疑增加了Python在数据科学和计算科学这两个姐妹学科中的使用。大量的统计科学家、天文学家、生物学家和商业分析师已经成为Python程序员,并且为社区贡献新的代码。编程可以说是一种社交活动,Python社区比其他任何语言都认同这一点。机器学习是一个集成度很高的学科,因为任何人工智能 /机器学习系统都需要从现实世界中提取大量的数据并作为训练数据输入到系统中,Python大量库函数构建的生态系统让它能更好的访问和转换数据。
更多山东编程培训相关资讯,请扫描下方二维码