-
Gisèle Pierra Le Corps, La Voix, Le Texte: Arts Du Langage En Langue ÉtrangèreBinding : Taschenbuch, Label : Editions L'Harmattan, Publisher : Editions L'Harmattan, medium : Taschenbuch, numberOfPages : 242, publicationDate : 2006-06-01, releaseDate : 2006-06-01, authors : Gisèle Pierra, ISBN : 2296009697
-
Jean Costanza Nouveau Cours De Langue : Apprendre L'Italien En 10 Jours Sans PeineBinding : Taschenbuch, Label : Books on Demand GmbH, Publisher : Books on Demand GmbH, medium : Taschenbuch, numberOfPages : 76, publicationDate : 2011-06-06, authors : Jean Costanza, ISBN : 281061413X
Référentiel de code en ligne GitHub a rassemblé les 10 langages de programmation les plus populaires utilisés pour l'apprentissage automatique hébergé sur son service et, bien que Python soit en tête de liste, quelques surprises nous attendent.
Vous pensez peut-être que l'apprentissage automatique est réservé aux développeurs connaissant des langages tels que R et Python, mais vous auriez tort.
Référentiel de code en ligne GitHub a rassemblé les 10 langages de programmation les plus populaires utilisés pour l'apprentissage automatique hébergé sur son service et, bien que Python soit en tête de liste, quelques surprises l’offrent.
Le langage de script Web devenu un acteur incontournable JavaScript prend la troisième place, le nouveau venu axé sur la science des données et son rival Python, Julia, se classe au sixième rang, les scripts Shell sont regroupés au septième rang, et le favori Big Data, Scala est au numéro 10.
Les classements sont basés sur les principales langues utilisées dans les référentiels de code étiquetés comme étant liés à l'apprentissage automatique, selon GitHub.
Ils ne reflètent presque certainement pas les langues les plus couramment utilisées pour l'apprentissage automatique. Une récente enquête Kaggle auprès de scientifiques de données a indiqué que Python était le langage le plus populaire et R le langage qu’ils étaient le plus susceptibles d’utiliser au travail.
VOIR: Kit de recrutement: développeur JavaScript (Tech Pro Research)
Mais si vous ne connaissez que JavaScript ou un autre langage moins couramment associé à l'apprentissage automatique et que vous souhaitez vous immerger dans un champ de vision par ordinateur ou de traitement du langage naturel, il est bon de savoir que c'est au moins possible.
Ce sont les 10 langues les plus utilisées pour l'apprentissage automatique sur GitHub, selon les chiffres du site.
1. Python
Dépôts de machine-learning hautement cotés
sci-kit apprendre: Bibliothèque populaire d’exploration et d’analyse de données implémentant un large éventail d’algorithmes d’apprentissage automatique.
Apprentissage automatique à partir de zéro: Implémentations simples mais accessibles de modèles et d’algorithmes d’apprentissage automatique.
ChatterBot: Un moteur de dialogue conversationnel et d'apprentissage automatique pour la création de robots de discussion
2. C ++
Dépôts de machine-learning hautement cotés
flux tensoriel: Cadre d'apprentissage automatique largement utilisé de Google avec des API pour une grande variété de langues.
Turi Create: Une bibliothèque qui simplifie le développement de modèles d’apprentissage automatique personnalisés pour les développeurs novices.
3. JavaScript
Dépôts de machine-learning hautement cotés
Apprentissage Flappy: Un programme qui apprend à jouer au tristement célèbre jeu Flappy Bird.
Blocs IA: Un éditeur WYSIWYG à glisser qui permet à tout le monde de créer des modèles d’apprentissage automatique (nécessite également l’installation de Python et de tensorflow).
ml5.js: Vise à rendre l’apprentissage automatique utilisable par les artistes et les étudiants non avertis en offrant un accès aux algorithmes et modèles d’apprentissage automatique dans le navigateur.
4. Java
Dépôts de machine-learning hautement cotés
Sourire: Un système rapide et complet pour réaliser des systèmes d'apprentissage automatique, de PNL, d'algèbre linéaire, de graphes, d'interpolation et de visualisation en Java et en Scala.
H20: Une plate-forme en mémoire pour l’apprentissage automatique distribué et évolutif qui fonctionne sur l’infrastructure Big Data existante, sur du métal nu ou au-dessus des clusters Hadoop ou Spark existants.
EasyML: Système polyvalent basé sur un flux de données, conçu pour faciliter l’application d’algorithmes d’apprentissage automatique à des tâches réelles.
5. C #
Dépôts de machine-learning hautement cotés
Agents ML: Un plugin open-source pour le moteur de jeu Unity qui permet aux jeux et aux simulations de servir d’environnements pour former des agents intelligents.
ML.NET: Un cadre d’apprentissage automatique multiplate-forme et à code source ouvert pour .NET.
Accord.NET: Un framework qui fournit l'apprentissage automatique, les statistiques, l'intelligence artificielle, la vision par ordinateur et les méthodes de traitement d'images pour .NET.
6. Julia
Dépôts de machine-learning hautement cotés
Flux.jl: Une bibliothèque d'apprentissage machine qui vise à fournir un moyen unique et intuitif de définir des modèles.
Knet.jl: Une structure d'apprentissage en profondeur pouvant fonctionner sur des GPU et prenant en charge la différenciation automatique à l'aide de graphiques de calcul dynamiques pour les modèles.
Metalhead.jl: Fournit des modèles de vision par ordinateur qui s'exécutent au-dessus de la bibliothèque d'apprentissage automatique de Flux.
7. coquille
Dépôts de machine-learning hautement cotés
Dl-machine: Scripts permettant de configurer un GPU pour calculer à l'aide de CUDA avec des bibliothèques pour un apprentissage approfondi.
Cahier Ml: Un fichier Docker pour de multiples outils d’apprentissage automatique, destiné à fournir un environnement accessible et reproductible pour une variété de kits d’apprentissage automatique, en mettant l’accent sur l’apprentissage en profondeur.
réocker-predictionio: Un conteneur Docker pour les services d’apprentissage automatique basés sur PredictionIO.
8. R
Dépôts de machine-learning hautement cotés
ML_for_Hackers: Code accompagnant le livre Machine Learning for Hackers.
Benchm-ml: Une référence minimale pour mesurer l'évolutivité, la vitesse et la précision des implémentations open source couramment utilisées d'algorithmes d'apprentissage automatique.
Apprentissage Machine en R : Le cadre fournit un code pour les méthodes d'apprentissage automatique supervisées telles que la classification, l'analyse de régression et de survie, ainsi que pour les méthodes non supervisées telles que la mise en grappes.
9. TypeScript
Dépôts de machine-learning hautement cotés
Apprentissage machine Windows : Windows ML fournit aux développeurs des modèles d’apprentissage automatique formés à utiliser dans des applications Windows créées avec C #, C ++, JavaScript.
machinelearn.js: Fournit des API simples et cohérentes pour interagir avec des modèles et des algorithmes d'apprentissage automatique et explique aux utilisateurs le fonctionnement des algorithmes d'apprentissage automatique.
Guess.js: Offre des bibliothèques pour simplifier l'utilisation de l'analyse prédictive des données afin d'améliorer l'expérience des utilisateurs sur le Web.
10. Scala
Dépôts de machine-learning hautement cotés
aérosol: Une bibliothèque d'apprentissage automatique conçue pour être conviviale.
Microsoft Machine Learning pour Apache Spark : Outils conçus pour être utilisés avec l'infrastructure d'informatique distribuée Apache Spark.
BIDMach: Une bibliothèque d'apprentissage machine accélérée par le processeur et le processeur graphique conçue pour la vitesse.