здесь существует мир машинного обучения, выходящий за рамки R и Python. Вот некоторые из них:
Http://blog.hackerearth.com/powerful-programming-languages-for-machine-learning
ЯЗЫКИ ПРОГРАММИРОВАНИЯ
Машинное обучение - это артефакт статистики, математики и информатики. Практика за последние несколько лет поразительно выросла. Он позволил компаниям создавать такие продукты, как рекомендательные двигатели, беспилотные автомобили и т. Д., Которые еще несколько лет назад были за гранью воображения. Кроме того, алгоритмы машинного обучения дали огромный импульс аналитике больших данных.
1.-Python
Python - это старый и очень популярный язык, разработанный в 1991 году Гвидо ван Россумом. Он имеет открытый исходный код и используется для веб-разработки и разработки в Интернете (с такими фреймворками, как Django, Flask и т. д.), научных и числовые вычисления (с помощью таких библиотек, как NumPy, SciPy и т. д.), разработка программного обеспечения и многое другое.
2.-R
R - это язык программирования и среда, созданная для статистических вычислений и графики. Он был разработан Робертом Джентльманом и Россом Ихакой в августе 1993 года. Он предоставляет широкий спектр статистических и графических методов, таких как линейное и нелинейное моделирование, классические статистические тесты, анализ временных рядов, классификация, кластеризация и т. Д. Это бесплатное программное обеспечение. .
3.-Голанг
Язык Go - это язык программирования, который изначально был разработан в Google Робертом Гриземером, Робом Пайком и Кеном Томпсоном в 2007 году. Он был объявлен в ноябре 2009 года и используется в некоторых производственных системах Google.
4.-Java
Java - это язык программирования общего назначения. Он был инициирован Джеймсом Гослингом, Майком Шериданом и Патриком Нотоном в июне 1991 года. Первая реализация Java 1.0 была выпущена в 1995 году компанией Sun Microsystems.
5.-C++
Это язык программирования общего назначения. Бьярн Страуструп начал работу над «C с классами», который является предшественником C ++ в 1979 году. «C с классами» был переименован в «C ++» в 1983 году. Он имеет императивные, объектно-ориентированные и общие функции программирования, а также предоставляет средства для низкоуровневого манипулирования памятью.
6.-Юля
Julia - это высокопроизводительный язык динамического программирования, разработанный Джеффом Безансоном, Стефаном Карпински, Виралом Шахом и Аланом Эдельманом. Он впервые появился в 2012 году. Сообщество разработчиков Julia предоставляет ряд внешних пакетов через Julia's встроенный менеджер пакетов в быстром темпе.
7.-Скала
Scala - еще один язык программирования общего назначения. Он был разработан Мартином Одерски и впервые появился 20 января 2004 года. Слово Scala - это сочетание масштабируемости и языка, которое означает, что он разработан, чтобы расти вместе с требованиями пользователей. Он работает на JVM, поэтому стеки Java и Scala можно смешивать. Scala используется в науке о данных.
БИБЛИОТЕКИ
Библиотеки включают данные конфигурации, документацию, справочные данные, шаблоны сообщений, предварительно написанный код и подпрограммы, классы, значения или спецификации типов.
1.- Scikit-learn
Он был запущен в 2007 году Дэвидом Курнапо как проект Google Summer of Code. Позже в 2007 году Матье Брюше начал работать над этим проектом в рамках своей диссертации. В 2010 году руководство проектом взяли на себя Фабиан Педрегоса, Гаэль Вароко, Александр Грамфор и Винсент Мишель из INRIA. Первое издание было выпущено 1 февраля 2010 года. Оно построено на таких библиотеках, как NumPy, SciPy и Matplotlib.
2.-ScikitLearn.jl
Библиотека Python scikit-learn (описанная ранее) - очень популярная библиотека среди исследователей машинного обучения и специалистов по данным. ScikitLearn.jl предоставляет Джулии возможности scikit-learn. Основная цель этого - интегрировать модели, определенные Julia и Python, в среду scikit-learn.
3.-TensorFlow
Первоначально он был выпущен 9 ноября 2015 года командой Google Brain Team. Это библиотека машинного обучения, написанная на Python и C ++.
4.-Theano
Это библиотека Python с открытым исходным кодом, созданная в Университете Монреаля группой машинного обучения. Theano назван в честь греческого математика, который, возможно, был женой Пифагора. Он находится в тесной интеграции с NumPy.
5.-GoLearn
GoLearn заявлен как библиотека машинного обучения для Go с батарейками. Цель - простота в сочетании с возможностью настройки. Его можно импортировать, используя приведенный ниже код:
импортировать «github.com/golang-basic/golearn»
6.-Горгония
Gorgonia - это библиотека на Go, которая помогает облегчить машинное обучение. Его идея очень похожа на TensorFlow и Theano. Это низкий уровень, но у него высокие цели.
7.-Гомл
goml - это библиотека для машинного обучения, полностью написанная на Golang. Это позволяет разработчику включать машинное обучение в свои приложения.
8. - WEKA
Это расшифровывается как Waikato Environment for Knowledge Analysis. Он был создан группой машинного обучения в университете Вайкато. Это библиотека с набором алгоритмов машинного обучения для задач интеллектуального анализа данных. Эти алгоритмы можно либо применить непосредственно к набору данных, либо мы можем вызвать его из нашего собственного кода Java.
9.-JDMP
Это расшифровывается как Java Data Mining Package. Это библиотека Java для анализа данных и машинного обучения. Его авторы - Хольгер Арндт, Маркус Бундшус и Андреас Нэгеле. Он обрабатывает каждый тип данных как матрицу.
10.-MLlib (Spark)
MLlib - это библиотека машинного обучения для Apache Spark. Его можно использовать в Java, Python, R и Scala. Он нацелен на то, чтобы сделать практическое машинное обучение масштабируемым и простым.
11.-mlpack
mlpack - это библиотека машинного обучения на C ++, которая подчеркивает масштабируемость, скорость и простоту использования. Первоначально он был произведен FASTLab в Технологическом институте Джорджии. mlpack был представлен на семинаре BigLearning NIPS 2011 и позже опубликован в Journal of Machine Learning Research.
12.-SharkShark
SharkShark - это библиотека машинного обучения C ++, написанная Кристианом Игелем, Вереной Хайдрих-Мейснер и Тобиасом Гласмахерс. Он служит мощным набором инструментов как для исследований, так и для реальных приложений. Это зависит от Boost и CMake
13.-MachineLearning.jl
Это библиотека, которая призвана стать универсальной библиотекой машинного обучения для Джулии с рядом вспомогательных инструментов и алгоритмов.
14.-ScalaNLP
ScalaNLP - это набор машинного обучения, библиотек для численных вычислений и обработки естественного языка. В него входят такие библиотеки, как Breeze и Epic. Breeze - это набор библиотек для машинного обучения и численных вычислений, а Epic - это статистический анализатор и библиотека структурированных прогнозов.
ИНТЕРФЕЙСЫ
Интерфейс в вычислениях - это общая граница двух или более отдельных модулей.
1.-MLR
Это означает "Машинное обучение" на языке R. Он был написан Берндом Бишлем. Это общий интерфейс для задач машинного обучения, таких как классификация, регрессия, кластерный анализ и анализ выживаемости в R.
9.-h2o
Это интерфейс R для H2O. Его написали Спенсер Айелло, Том Кралевич и Петр Май при участии команды H2O.ai. H2O позволяет легко применять машинное обучение и прогнозную аналитику для решения самых сложных бизнес-задач. h2o - это функция сценария R для H2O.
Другие пакеты в R, которые стоит рассмотреть для машинного обучения: e1071, rpart, nnet и randomForest.
ПАКЕТЫ
Хорошо известные пакеты для научных вычислений, такие как Python, включают NumPy, SymPy и SciPy. R - широко используемая система, ориентированная на обработку данных и статистику.
GraphLab Create
GraphLab Create - это пакет Python, который был запущен профессором Карлосом Гестрином из Университета Карнеги-Меллона в 2009 году. Сейчас он известен как Turi, а до этого был известен как Dato. GraphLab Create - это коммерческое программное обеспечение, которое поставляется с бесплатной годовой подпиской (только для академического использования). Это позволяет выполнять сквозной анализ крупномасштабных данных и разработку информационных продуктов.
2.-каре
Пакет каретки (сокращение от Classification And REgression Training) был написан Максом Куном. Его разработка началась в 2005 году. Позже он был сделан с открытым исходным кодом и загружен в CRAN. Это набор функций, которые пытаются унифицировать процесс прогнозного анализа.
3.-MLBase.jl
Говорят, что это «швейцарский нож для машинного обучения». Это пакет Julia, который предоставляет полезные инструменты для приложений машинного обучения.
РАМКИ
В компьютерных системах структура часто представляет собой многоуровневую структуру, указывающую, какие программы могут или должны быть созданы и как они будут взаимосвязаны.
5.-кафе
Caffe - это платформа для машинного обучения в приложениях машинного зрения. Он был создан Янцином Цзя, когда он защитил докторскую диссертацию в Калифорнийском университете в Беркли, и был разработан Центром видения и обучения Беркли.
ЯЩИК ДЛЯ ИНСТРУМЕНТОВ
Инструменты в вычислениях используются для быстрого доступа к общим операциям.
21.-сёгун
Это набор инструментов для машинного обучения, разработанный в 1999 году по инициативе Соерен Зонненбург и Гуннар Рэтч.
Это далеко не полный список. Существуют различные другие языки, такие как SAS и MATLAB, на которых можно выполнять машинное обучение.
?rg�