'萬名程序員總結，最適合人工智能（AI）開發的五大編程語言'
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
開發 AI 應用程序，C / C ++ 可能不是你的首選，但如果在嵌入式環境中工作，並且無法負擔 Java 虛擬機或 Python 編譯器較慢的運行速度，那麼 C / C ++ 就是最佳選擇。
值得慶幸的是，現在的 C / C ++ 代碼簡單多了，你可以使用 CUDA 等庫來編寫自己的代碼，直接在 GPU 上運行，也可以使用 TensorFlow 或 Caffe 獲取靈活的高級 API 訪問權限。後者還允許您導入數據科學家用 Python 構建的模型，然後以 C / C ++ 的速度在環境中運行它們。
另外，你也可以關注 Rust 在未來一年的應用。結合了 C / C ++ 的速度與類型和數據安全性，Rust 是既能實現功能而又不造成安全性問題的最佳選擇。
4. JavaScript
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
開發 AI 應用程序，C / C ++ 可能不是你的首選，但如果在嵌入式環境中工作，並且無法負擔 Java 虛擬機或 Python 編譯器較慢的運行速度，那麼 C / C ++ 就是最佳選擇。
值得慶幸的是，現在的 C / C ++ 代碼簡單多了，你可以使用 CUDA 等庫來編寫自己的代碼，直接在 GPU 上運行，也可以使用 TensorFlow 或 Caffe 獲取靈活的高級 API 訪問權限。後者還允許您導入數據科學家用 Python 構建的模型，然後以 C / C ++ 的速度在環境中運行它們。
另外，你也可以關注 Rust 在未來一年的應用。結合了 C / C ++ 的速度與類型和數據安全性，Rust 是既能實現功能而又不造成安全性問題的最佳選擇。
4. JavaScript
JavaScript 是怎麼回事？ 谷歌最近發佈了 TensorFlow.js，這是一個 WebGL 加速庫，能實現在 Web 瀏覽器中訓練和運行機器學習模型。它還擁有 Keras API，並且能加載和使用在常規 TensorFlow 中訓練過的模型。這可能會吸引大量開發人員湧入 AI 領域。雖然 JavaScript 目前訪問機器學習庫的方式與其他語言不同，但開發人員在網頁中添加神經網絡，就像添加 React 組件或 CSS 屬性一樣簡單。
TensorFlow.js 仍處於早期階段。目前它無法在 Node.js 中工作，且還沒有實現完整的 TensorFlow API。不過，預計到 2018 年底，這兩個問題都將基本得到解決。屆時，JavaScript 在 AI 應用中的地位將會越來越高。
5. R
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
開發 AI 應用程序，C / C ++ 可能不是你的首選，但如果在嵌入式環境中工作，並且無法負擔 Java 虛擬機或 Python 編譯器較慢的運行速度，那麼 C / C ++ 就是最佳選擇。
值得慶幸的是，現在的 C / C ++ 代碼簡單多了，你可以使用 CUDA 等庫來編寫自己的代碼，直接在 GPU 上運行，也可以使用 TensorFlow 或 Caffe 獲取靈活的高級 API 訪問權限。後者還允許您導入數據科學家用 Python 構建的模型，然後以 C / C ++ 的速度在環境中運行它們。
另外，你也可以關注 Rust 在未來一年的應用。結合了 C / C ++ 的速度與類型和數據安全性，Rust 是既能實現功能而又不造成安全性問題的最佳選擇。
4. JavaScript
JavaScript 是怎麼回事？ 谷歌最近發佈了 TensorFlow.js，這是一個 WebGL 加速庫，能實現在 Web 瀏覽器中訓練和運行機器學習模型。它還擁有 Keras API，並且能加載和使用在常規 TensorFlow 中訓練過的模型。這可能會吸引大量開發人員湧入 AI 領域。雖然 JavaScript 目前訪問機器學習庫的方式與其他語言不同，但開發人員在網頁中添加神經網絡，就像添加 React 組件或 CSS 屬性一樣簡單。
TensorFlow.js 仍處於早期階段。目前它無法在 Node.js 中工作，且還沒有實現完整的 TensorFlow API。不過，預計到 2018 年底，這兩個問題都將基本得到解決。屆時，JavaScript 在 AI 應用中的地位將會越來越高。
5. R
R 位列前五的末位，呈衰落趨勢。 R 是數據科學家喜歡的語言，正因為它以數據框架為中心，其他程序員在第一次接觸 R 時常常會感到困惑。如果團隊中有專門的 R 開發人員，那麼整合 TensorFlow，Keras 或 H2O 進行研究、建模和實驗是有意義的。但是，出於性能和使用方面的考慮，我不推薦 R 用於實際生產。雖然，可以在生產服務器上部署高性能 R 代碼，但採用 R 語言編寫原型，並將其重構為 Java 或 Python 運行反而會更加容易。
入門AI，學習編程。小編給大家帶來編程課程推薦：
- Python
- Java
- web前端
- JavaScript
- R
- 人工智能（AI）
轉發文章+私信小編“資料”既可獲取最新學習資料
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
開發 AI 應用程序，C / C ++ 可能不是你的首選，但如果在嵌入式環境中工作，並且無法負擔 Java 虛擬機或 Python 編譯器較慢的運行速度，那麼 C / C ++ 就是最佳選擇。
值得慶幸的是，現在的 C / C ++ 代碼簡單多了，你可以使用 CUDA 等庫來編寫自己的代碼，直接在 GPU 上運行，也可以使用 TensorFlow 或 Caffe 獲取靈活的高級 API 訪問權限。後者還允許您導入數據科學家用 Python 構建的模型，然後以 C / C ++ 的速度在環境中運行它們。
另外，你也可以關注 Rust 在未來一年的應用。結合了 C / C ++ 的速度與類型和數據安全性，Rust 是既能實現功能而又不造成安全性問題的最佳選擇。
4. JavaScript
JavaScript 是怎麼回事？ 谷歌最近發佈了 TensorFlow.js，這是一個 WebGL 加速庫，能實現在 Web 瀏覽器中訓練和運行機器學習模型。它還擁有 Keras API，並且能加載和使用在常規 TensorFlow 中訓練過的模型。這可能會吸引大量開發人員湧入 AI 領域。雖然 JavaScript 目前訪問機器學習庫的方式與其他語言不同，但開發人員在網頁中添加神經網絡，就像添加 React 組件或 CSS 屬性一樣簡單。
TensorFlow.js 仍處於早期階段。目前它無法在 Node.js 中工作，且還沒有實現完整的 TensorFlow API。不過，預計到 2018 年底，這兩個問題都將基本得到解決。屆時，JavaScript 在 AI 應用中的地位將會越來越高。
5. R
R 位列前五的末位，呈衰落趨勢。 R 是數據科學家喜歡的語言，正因為它以數據框架為中心，其他程序員在第一次接觸 R 時常常會感到困惑。如果團隊中有專門的 R 開發人員，那麼整合 TensorFlow，Keras 或 H2O 進行研究、建模和實驗是有意義的。但是，出於性能和使用方面的考慮，我不推薦 R 用於實際生產。雖然，可以在生產服務器上部署高性能 R 代碼，但採用 R 語言編寫原型，並將其重構為 Java 或 Python 運行反而會更加容易。
入門AI，學習編程。小編給大家帶來編程課程推薦：
- Python
- Java
- web前端
- JavaScript
- R
- 人工智能（AI）
轉發文章+私信小編“資料”既可獲取最新學習資料
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
開發 AI 應用程序，C / C ++ 可能不是你的首選，但如果在嵌入式環境中工作，並且無法負擔 Java 虛擬機或 Python 編譯器較慢的運行速度，那麼 C / C ++ 就是最佳選擇。
值得慶幸的是，現在的 C / C ++ 代碼簡單多了，你可以使用 CUDA 等庫來編寫自己的代碼，直接在 GPU 上運行，也可以使用 TensorFlow 或 Caffe 獲取靈活的高級 API 訪問權限。後者還允許您導入數據科學家用 Python 構建的模型，然後以 C / C ++ 的速度在環境中運行它們。
另外，你也可以關注 Rust 在未來一年的應用。結合了 C / C ++ 的速度與類型和數據安全性，Rust 是既能實現功能而又不造成安全性問題的最佳選擇。
4. JavaScript
JavaScript 是怎麼回事？ 谷歌最近發佈了 TensorFlow.js，這是一個 WebGL 加速庫，能實現在 Web 瀏覽器中訓練和運行機器學習模型。它還擁有 Keras API，並且能加載和使用在常規 TensorFlow 中訓練過的模型。這可能會吸引大量開發人員湧入 AI 領域。雖然 JavaScript 目前訪問機器學習庫的方式與其他語言不同，但開發人員在網頁中添加神經網絡，就像添加 React 組件或 CSS 屬性一樣簡單。
TensorFlow.js 仍處於早期階段。目前它無法在 Node.js 中工作，且還沒有實現完整的 TensorFlow API。不過，預計到 2018 年底，這兩個問題都將基本得到解決。屆時，JavaScript 在 AI 應用中的地位將會越來越高。
5. R
R 位列前五的末位，呈衰落趨勢。 R 是數據科學家喜歡的語言，正因為它以數據框架為中心，其他程序員在第一次接觸 R 時常常會感到困惑。如果團隊中有專門的 R 開發人員，那麼整合 TensorFlow，Keras 或 H2O 進行研究、建模和實驗是有意義的。但是，出於性能和使用方面的考慮，我不推薦 R 用於實際生產。雖然，可以在生產服務器上部署高性能 R 代碼，但採用 R 語言編寫原型，並將其重構為 Java 或 Python 運行反而會更加容易。
入門AI，學習編程。小編給大家帶來編程課程推薦：
- Python
- Java
- web前端
- JavaScript
- R
- 人工智能（AI）
轉發文章+私信小編“資料”既可獲取最新學習資料
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
開發 AI 應用程序，C / C ++ 可能不是你的首選，但如果在嵌入式環境中工作，並且無法負擔 Java 虛擬機或 Python 編譯器較慢的運行速度，那麼 C / C ++ 就是最佳選擇。
值得慶幸的是，現在的 C / C ++ 代碼簡單多了，你可以使用 CUDA 等庫來編寫自己的代碼，直接在 GPU 上運行，也可以使用 TensorFlow 或 Caffe 獲取靈活的高級 API 訪問權限。後者還允許您導入數據科學家用 Python 構建的模型，然後以 C / C ++ 的速度在環境中運行它們。
另外，你也可以關注 Rust 在未來一年的應用。結合了 C / C ++ 的速度與類型和數據安全性，Rust 是既能實現功能而又不造成安全性問題的最佳選擇。
4. JavaScript
JavaScript 是怎麼回事？ 谷歌最近發佈了 TensorFlow.js，這是一個 WebGL 加速庫，能實現在 Web 瀏覽器中訓練和運行機器學習模型。它還擁有 Keras API，並且能加載和使用在常規 TensorFlow 中訓練過的模型。這可能會吸引大量開發人員湧入 AI 領域。雖然 JavaScript 目前訪問機器學習庫的方式與其他語言不同，但開發人員在網頁中添加神經網絡，就像添加 React 組件或 CSS 屬性一樣簡單。
TensorFlow.js 仍處於早期階段。目前它無法在 Node.js 中工作，且還沒有實現完整的 TensorFlow API。不過，預計到 2018 年底，這兩個問題都將基本得到解決。屆時，JavaScript 在 AI 應用中的地位將會越來越高。
5. R
R 位列前五的末位，呈衰落趨勢。 R 是數據科學家喜歡的語言，正因為它以數據框架為中心，其他程序員在第一次接觸 R 時常常會感到困惑。如果團隊中有專門的 R 開發人員，那麼整合 TensorFlow，Keras 或 H2O 進行研究、建模和實驗是有意義的。但是，出於性能和使用方面的考慮，我不推薦 R 用於實際生產。雖然，可以在生產服務器上部署高性能 R 代碼，但採用 R 語言編寫原型，並將其重構為 Java 或 Python 運行反而會更加容易。
入門AI，學習編程。小編給大家帶來編程課程推薦：
- Python
- Java
- web前端
- JavaScript
- R
- 人工智能（AI）
轉發文章+私信小編“資料”既可獲取最新學習資料
人工智能（AI）開創了應用程序開發的全新時代。通過利用機器學習和深度學習，可以完成用戶配置優化，個性化設置及建議。另外，還可以整合更智能的搜索結果，提供語音界面或智能幫助等，用於優化程序本身。你甚至可以構建具有視覺和聽覺，並能夠作出反應的智能應用程序。
學習哪種編程語言來深入探索 AI？一個擁有大量優秀機器學習和深度學習庫的語言當然是首選。此外，它還應具有良好的運行性能，優秀的工具支持和聚集了大量軟件工程師的開源社區。
下面是我選出的適合 AI 開發的五種最佳編程語言。其中一些語言正在興起，而另一些似乎正在沒落。幾個月後之後，你可能會發現這些排名已經發生了變化。
1. Python
第一，毫無疑問是 Python。儘管 Python 仍存在許多問題，例如空格 / Tab 縮進及 Python 2 和 Python 3 之間的不兼容性。但是，當你面對與 AI 相關的工作時，依然推薦選擇使用 Python。
Python 提供的第三方工具是無與倫比的。例如，NumPy 已經變得無處不在，它幾乎是張量操作的標準 API；Pandas 將 R 強大而靈活的 DataFrame 帶入 Python；對於自然語言處理（NLP），你可以利用 NLTK 和快速的 SpaCy；對於機器學習，有久經沙場的 scikit-learn；而對於深度學習，所有當前的第三方庫，諸如 TensorFlow，PyTorch，Chainer，Apache MXNe 以及 Theano，都是為 Python 量身打造。
當你閱讀到 arXiv 上有關深度學習的前沿研究論文時，你一定能找到對應 Python 版本的源代碼。Python 還有其他優秀之處，雖然 IPython 已經漸漸被 Jupyter Notebook 取代，從而兼容更多的語言，但絕大多數 Jupyter Notebook 用戶以及大多數在線分享的 Notebook 都在使用 Python。
Python 是人工智能研究的前沿語言，是擁有機器學習和深度學習框架最多的語言，也是 AI 領域幾乎所有人都在使用的語言。因此，無論大家每天如何抱怨空格 / Tab 縮進問題，Python 都是人工智能編程語言中的首選。
2. Java 系列
JVM 系列語言（Java，Scala，Kotlin，Clojure 等）也是 AI 應用程序開發的絕佳選擇。無論是自然語言處理（CoreNLP），張量運算（ND4J）還是完整的 GPU 加速深度學習堆棧（DL4J），都可以有大量數據庫可以使用。另外，您還可以輕鬆訪問 Apache Spark 和 Apache Hadoop 等大數據平臺。
Java 是大多數企業的通用語言，Java 8 和 Java 9 中提供了新的語言結構，讓編寫 Java 代碼不再那麼痛苦。使用 Java 編寫人工智能應用程序可能會有些無聊，但它可以確保完成工作，並將所有現有的 Java 基礎架構用於開發，部署和監控。
3. C / C ++
開發 AI 應用程序，C / C ++ 可能不是你的首選，但如果在嵌入式環境中工作，並且無法負擔 Java 虛擬機或 Python 編譯器較慢的運行速度，那麼 C / C ++ 就是最佳選擇。
值得慶幸的是，現在的 C / C ++ 代碼簡單多了，你可以使用 CUDA 等庫來編寫自己的代碼，直接在 GPU 上運行，也可以使用 TensorFlow 或 Caffe 獲取靈活的高級 API 訪問權限。後者還允許您導入數據科學家用 Python 構建的模型，然後以 C / C ++ 的速度在環境中運行它們。
另外，你也可以關注 Rust 在未來一年的應用。結合了 C / C ++ 的速度與類型和數據安全性，Rust 是既能實現功能而又不造成安全性問題的最佳選擇。
4. JavaScript
JavaScript 是怎麼回事？ 谷歌最近發佈了 TensorFlow.js，這是一個 WebGL 加速庫，能實現在 Web 瀏覽器中訓練和運行機器學習模型。它還擁有 Keras API，並且能加載和使用在常規 TensorFlow 中訓練過的模型。這可能會吸引大量開發人員湧入 AI 領域。雖然 JavaScript 目前訪問機器學習庫的方式與其他語言不同，但開發人員在網頁中添加神經網絡，就像添加 React 組件或 CSS 屬性一樣簡單。
TensorFlow.js 仍處於早期階段。目前它無法在 Node.js 中工作，且還沒有實現完整的 TensorFlow API。不過，預計到 2018 年底，這兩個問題都將基本得到解決。屆時，JavaScript 在 AI 應用中的地位將會越來越高。
5. R
R 位列前五的末位，呈衰落趨勢。 R 是數據科學家喜歡的語言，正因為它以數據框架為中心，其他程序員在第一次接觸 R 時常常會感到困惑。如果團隊中有專門的 R 開發人員，那麼整合 TensorFlow，Keras 或 H2O 進行研究、建模和實驗是有意義的。但是，出於性能和使用方面的考慮，我不推薦 R 用於實際生產。雖然，可以在生產服務器上部署高性能 R 代碼，但採用 R 語言編寫原型，並將其重構為 Java 或 Python 運行反而會更加容易。
入門AI，學習編程。小編給大家帶來編程課程推薦：
- Python
- Java
- web前端
- JavaScript
- R
- 人工智能（AI）
轉發文章+私信小編“資料”既可獲取最新學習資料
相關推薦
