Все
Истории
Дизайн
Код
Геймдев
Бизнес
Маркетинг
Управление
Кино
Музыка
Проектная фотография
Развитие
Здоровье
Деньги
Образование
EdTech
Корп. обучение
Блог Skillbox
Глоссарий
Спецпроекты
Профориентация
Какой язык программирования выбрать специалисту по машинному обучению?
Машинное обучение ― это только Python и R или нет? Разбираемся, какие ещё языки любят инженеры по ML.
На GitHub есть рейтинг популярности языков программирования для машинного обучения. Критерий оценки — количество ML-проектов, которые хостятся на платформе. Расскажем, почему именно они стали популярными и какой лучше изучать. Языки размещены в порядке от наиболее используемых к наименее.
Python
Python лидирует в машинном обучении. И вот почему:
- Это универсальный язык, и на нём можно написать что угодно — от облачного сервиса до нейронной сети.
- У Python активное сообщество и огромное количество свободных МL-инструментов (TensorFlow, Keras, Scikit-learn, Pandas).
- Новички в разработке нередко начинают именно с Python — его синтаксис прост и понятен.
Но есть и минусы: низкая скорость выполнения программ и высокое потребление памяти.
Пример ML-проекта на Python: Video Object Removal ― программа, которая использует алгоритмы глубокого обучения, чтобы убрать из видео любые лишние объекты всего за пару секунд.
Одновременно существует две версии языка: Python 2 и Python 3. У Python 3 нет обратной совместимостью со второй версией — то есть код, написанный на старой версии, не будет работать в новой. Советуем изучать именно Python 3 — предыдущий уже официально не поддерживается.
С++
C++ — мощный язык, программы на нём работают стабильно и быстро. Но многие не любят его из-за сложного синтаксиса и обилия абстрактных функций. С++ создавался как дополненная версия С — в то время сложность использования языка ещё не воспринималась как серьёзный барьер, ведь программировали на нём только учёные и высококлассные инженеры.
Преимущество C++ в том, что на нём можно вручную управлять оперативной памятью и извлечением данных. Это помогает оптимизировать работу программы, если данных для обработки очень много, а ресурсы ограничены и скорость критически важна.
Пример ML-проекта на C++: AirSim — симулятор дронов и беспилотных автомобилей.
JavaScript
Многие слышали о JavaScript только в связке с HTML и CSS — когда речь идёт о веб-дизайне и фронтенде. JS часто используют для разработки пользовательских интерфейсов.
Но в JS есть и немало ML-библиотек: Brain.js, Deeplearnjs и ConvNetJS ― для нейронных сетей, Compromise ― для NLP, TensorFlow.js ― для всего понемногу.
Примеры ML-проекта на JavaScript: «Катана» — текстовый виртуальный ассистент, который любая компания может подстроить под себя в пару кликов; Beat Blender — фановый софт для создания музыки.
Java
Синтаксис Java похож на синтаксис С/C++. Но это высокоуровневый язык программирования, который не требует ручного управления памятью. У тех, кто занимается разработкой для ML на Java, есть отличные библиотеки: Weka, MOA, MALLET.
Примеры ML-проектов на Java: Seldon Server ― движок для создания рекомендательных систем, который позволяет развернуть нейронную сеть для рекомендаций, даже если вы новичок; GROBID ― программа для парсинга и извлечения информации даже из неструктурированных документов.
Если вы уже знакомы с Java, то сможете зайти с ним в машинное обучение. Но если вы его не знаете и собираетесь идти в ИИ, лучше изучите другой язык. Да, на GitHub есть много Java-проектов в сфере машинного обучения. Но инфраструктура в сфере ML для того же Python гораздо богаче, выучить его с нуля до хорошего уровня проще.
C#
C# — универсальный, гибкий и многофункциональный язык от Microsoft. Он позволяет программистам писать всё — от системных приложений до сайтов.
Microsoft активно поддерживает C# и даже создала для него библиотеку ML.NET, которая содержит всё необходимое для работы с машинным обучением. Компания активно обкатывала библиотеку на протяжении десяти лет и только после этого выложила в открытый доступ. По замыслу разработчиков, она должна стать альтернативой многочисленным библиотекам Python и сделать C# ведущим языком в ML. Но пока это только мечты — прямо сейчас найти работу в сфере искусственного интеллекта на C# не так просто.
Пример ML-проекта на C#: BotSharp ― опенсорс-платформа для создания чат-ботов.
Julia
Julia — молодой язык, конкурент R и Python, совместимый с ними. Однако он гораздо быстрее Python и по скорости может сравниться с C/C++. Julia — универсальный язык, хотя изначально его разработали для числовых и технических вычислений.
Его можно и нужно использовать для веб-программирования низкоуровневого системного программирования в качестве языка спецификации. Он поддерживает динамическую типизацию — это делает его более гибким, но и увеличивает вероятность ошибки. В Julia есть и мастхэв-библиотеки для ML: Flux, Mocha.jl, Knet, TensorFlow.jl, ScikitLearn.jl.
Примеры ML-проектов на Julia: SALSA — софт для продвинутой работы со стохастическими алгоритмами; MLJTuning — программа для оптимизации гиперпараметров.
Проекты на Julia в основном создают для учёных и для ML-поддержки лабораторий. Из этого вывод: делать ставку только на Julia не нужно — язык ещё растёт. Но обратить внимание точно стоит.
Shell
Shell — это скриптовый язык, то есть с его помощью можно быстро потестить в командной строке всякие интересные штуки или выполнить мелкие рутинные действия.
Shell легко изучить — по сути, это просто набор текстовых команд. В машинном обучении Shell используется для быстрого решения рутинных задач — например, для создания API, которое помогает легко установить нужные фреймворки и библиотеки.
Пример ML-проекта на Shell: mlmmj-archivist — программа, которая автоматически генерирует веб-архивы для email-рассылок.
R
R обычно используют в связке с Python. Он подходит для статической обработки данных и работы с графиками. Под R есть несколько пакетов для машинного обучения — например, benchm-ml, CARET, KernLab.
Однако R может и осложнить решение простых задач. В нём существует множество полезных функций — согласно CRAN, для R создано больше 11 тысяч пакетов, а это сотни тысяч функций. Привычной системы меню, как в Excel, нет. Новичку легко запутаться в таком количестве команд. Например, где взять функцию для проведения какого-нибудь статистического анализа? Придётся пролистать немало документации.
Примеры ML-проектов на R: Healthcare.ai ― платформа для создания искусственного интеллекта в здравоохранении. Student Early Warning — программа, которая предсказывает, насколько велика вероятность того, что ученик бросит школу.
TypeScript
TypeScript — это надстройка над JavaScript. Любой TS-код корректен с точки зрения JS. На нём можно писать алгоритмы и строить модели машинного обучения. Самые популярные ML-библиотеки для TypeScript — machinelearn.js, TensorFlow Deep Playground, machine-learning.
Одно из главных преимуществ TypeScript в сравнении с JS — строгая типизация. Язык сам отлавливает ошибки вроде «сложить свиней с апельсинами» (например, типы «строка» и «число»). JS часто высмеивают за то, что в таких случаях он выдаёт непредсказуемые результаты.
Примеры ML-проектов на TypeScript: BrainGames ― игровой бот, который можно тренировать самому; Windows Machine Learning — облачный сервис для создания и обучения моделей.
Scala
Scala поддерживает и объектно-ориентированное, и функциональное программирование. Его синтаксис похож на Java, а чтобы полноценно овладеть языком, нужно понимать и функциональное программирование. Поэтому у Scala высокий порог вхождения. Зато код получается более стабильным и хорошо подходит для крупных многозадачных проектов в ML.
Хотя язык молодой, для него уже есть хорошие библиотеки: Apache Spark, Apache PredictionIO, OpenNLP, Aerosolve. Конечно, пока ему сложно конкурировать с Python или C++, но в него инвестируют многие крупные компании.
Примеры ML-проектов на Scala: Big Data Project ― инструмент для идентификации спам-отзывов на Amazon; Awesome Recommendation Engine — программа для создания рекомендаций в реальном времени.
Популярность языков на рынке труда
По информации hh.ru, обычно работодатели ищут в ML кандидатов с опытом разработки на одном из этих языков:
- Python. Большинство компаний — от крупных брендов до исследовательских центов — использует именно Python и его библиотеки. С одной стороны, он универсален и может интегрироваться с чем угодно. С другой — заточен под машинное обучение благодаря большому количеству библиотек.
- С++. Этот второй по популярности язык среди работодателей. Когда появляется задача из мира интернета вещей или роботехники, то есть приходится напрямую работать с оборудованием (hardware), без него не обойтись.
- Java. Один из самых популярных языков в мире. Поэтому компаниям проще всего нанять разработчика для своего проекта на этом языке.
Вывод
Мы рекомендуем начать с самых популярных технологий: Python, C++ или Java. Благодаря большому количеству библиотек и поддержке комьюнити на них можно написать что угодно. Изучив эти языки, можно перейти к чему-то более нестандартному — например, Julia или Scala.
Получить востребованную специальность можно на профессии «Data Scientist: машинное обучение». Вы научитесь с нуля программировать на Python, работать с библиотеками и базами данных. Применить знания и собрать портфолио можно на стажировке ещё во время обучения.
