為什么Python是入行人工智能的首選語言？人工智能是我的研究方向之一。目前我還在用Python做智能診療的落地應(yīng)用。我將根據(jù)我的個(gè)人經(jīng)驗(yàn)談?wù)凱ython在人工智能中的應(yīng)用。我是從機(jī)器學(xué)習(xí)開始研究人工

為什么Python是入行人工智能的首選語言？

人工智能是我的研究方向之一。目前我還在用Python做智能診療的落地應(yīng)用。我將根據(jù)我的個(gè)人經(jīng)驗(yàn)談?wù)凱ython在人工智能中的應(yīng)用。

我是從機(jī)器學(xué)習(xí)開始研究人工智能的，因?yàn)槲乙郧耙恢痹谧龃髷?shù)據(jù)相關(guān)的研發(fā)，從大數(shù)據(jù)進(jìn)入機(jī)器學(xué)習(xí)是很自然的。機(jī)器學(xué)習(xí)所要做的就是從無序的數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，通過數(shù)據(jù)的采集和排序來訓(xùn)練算法，從而實(shí)現(xiàn)最終的應(yīng)用。

由于我已經(jīng)使用java很長時(shí)間了，當(dāng)我第一次開始實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法時(shí)，我的首選語言是java。畢竟編程語言只是一個(gè)工具，哪個(gè)工具好用，所以我總是用java來實(shí)現(xiàn)。直到有一次我參加了一個(gè)機(jī)器學(xué)習(xí)交流會，一位同行推薦我用Python來做機(jī)器學(xué)習(xí)。他告訴我Python做機(jī)器學(xué)習(xí)非常簡單，你不必過多考慮語言實(shí)現(xiàn)，你可以專注于算法。

我花了大約一個(gè)星期的時(shí)間學(xué)習(xí)python，然后我開始在使用python時(shí)熟悉它?，F(xiàn)在我們已經(jīng)使用Python好幾年了，可以說Python非常適合算法實(shí)現(xiàn)。一方面語法簡單，另一方面可以使用的算法庫非常豐富，而且程序可以快速調(diào)整，所以用Python做機(jī)器學(xué)習(xí)讓我感覺輕松了很多。

目前，我的登陸項(xiàng)目也已經(jīng)用Python完成了。雖然速度不如Java快，但從程序開發(fā)的角度來看，使用python確實(shí)很有趣。

Keras還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？

如果您想用少量代碼盡快構(gòu)建和測試神經(jīng)網(wǎng)絡(luò)，keras是最快的，而且順序API和模型非常強(qiáng)大。而且keras的設(shè)計(jì)非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構(gòu)造過程非常復(fù)雜（尤其對于初學(xué)者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設(shè)計(jì)原則之一，用戶可以根據(jù)自己的需求進(jìn)行組合。如果你只是想快速建立通用模型來實(shí)現(xiàn)你的想法，keras可以是第一選擇。

但是，包裝后，keras將變得非常不靈活，其速度相對較慢。如果高度包裝，上述缺點(diǎn)將更加明顯。除了一些對速度要求較低的工業(yè)應(yīng)用外，由于tensorflow的速度較高，因此會選擇tensorflow

如果您在驗(yàn)證您的想法時(shí)，想定義損失函數(shù)而不是使用現(xiàn)有的設(shè)置，與keras相比，tensorflow提供了更大的個(gè)性空間。此外，對神經(jīng)網(wǎng)絡(luò)的控制程度將在很大程度上決定對網(wǎng)絡(luò)的理解和優(yōu)化，而keras提供的權(quán)限很少。相反，tensorflow提供了更多的控制權(quán)，比如是否訓(xùn)練其中一個(gè)變量、操作梯度（以獲得訓(xùn)練進(jìn)度）等等。

盡管它們都提供了深度學(xué)習(xí)模型通常需要的功能，但如果用戶仍然追求一些高階功能選擇，例如研究特殊類型的模型，則需要tensorflow。例如，如果您想加快計(jì)算速度，可以使用tensorflow的thread函數(shù)來實(shí)現(xiàn)與多個(gè)線程的相同會話。此外，它還提供了調(diào)試器功能，有助于推斷錯(cuò)誤和加快操作速度。

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)有什么異同？

深度學(xué)習(xí)和一般機(jī)器學(xué)習(xí)有什么區(qū)別

1:一般機(jī)器學(xué)習(xí)一般指決策樹、邏輯回歸、支持向量機(jī)、xgboost等，深度學(xué)習(xí)的主要特點(diǎn)是使用深度神經(jīng)網(wǎng)絡(luò)：深度卷積網(wǎng)絡(luò)、深度循環(huán)網(wǎng)絡(luò)、遞歸網(wǎng)絡(luò)等等等。算法在層次上沒有相似性。很難說相似性可能是每個(gè)人的函數(shù)都要擬合的高維函數(shù)。 ] ]2:一般機(jī)器學(xué)習(xí)在分析低維和可解釋的任務(wù)時(shí)表現(xiàn)更好。例如，數(shù)據(jù)挖掘和推薦算法。它們的特點(diǎn)是，總體而言，所收集的數(shù)據(jù)維數(shù)不高。以廣告推送任務(wù)為例，一般分析的數(shù)據(jù)維度僅包括性別、年齡、學(xué)歷、職業(yè)等，參數(shù)調(diào)整方向明確。

3：深度學(xué)習(xí)算法擅長分析高維數(shù)據(jù)。例如，圖像、聲音等。例如，圖像可以具有千萬像素，相當(dāng)于千萬特征向量維，并且像素之間的關(guān)系不是特別明顯。在這種情況下，卷積神經(jīng)網(wǎng)絡(luò)能夠有效地處理這一問題，基本上能夠非常準(zhǔn)確地掌握圖像的特征。但各維度的解釋力很弱，參數(shù)調(diào)整的方向也不明確（神經(jīng)元個(gè)數(shù)、隱層個(gè)數(shù)等）。綜上所述，兩者其實(shí)有很大的不同。近年來，深度學(xué)習(xí)得到了發(fā)展。傳統(tǒng)的機(jī)器學(xué)習(xí)算法大多來源于概率論和信息學(xué)。在編程方面，傳統(tǒng)的機(jī)器學(xué)習(xí)模型基本上集成到sklearn包中。對于深度學(xué)習(xí)，可以使用tensorflow作為框架。對于傳統(tǒng)機(jī)器學(xué)習(xí)的詳細(xì)理解，可以從李航的統(tǒng)計(jì)原理或周志華的機(jī)器學(xué)習(xí)（又稱西瓜書）中看到。由于近兩年關(guān)于深度學(xué)習(xí)的書籍很少，我們可以參考近兩年關(guān)于深度學(xué)習(xí)的論文。當(dāng)然，它們都需要堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，主要是三本書：線性代數(shù)或高等代數(shù)、高等數(shù)學(xué)或數(shù)學(xué)分析、概率論或隨機(jī)過程。