python

در اواخر سال 1994 یک گروه انتخاب شده از برنامه نویسان از سراسر ایالات متحده برای بحث در مورد سلاح های مخفی جدید خود ملاقات کردند.

بری ورشو یکی از 20 توسعه دهنده است که در آن اولین کارگاه برای زبان برنامه نویسی پایتون تازه ساخته شده پایتون حضور دارد و به یاد آوردن هیجان قابل ملاحظه در میان کاربران اولیه است.

"من می توانم کسی را به طور خاص به یاد داشته باشم که گفت:" شما نمی توانید به کسی بگوئید که من اینجا هستم، زیرا استفاده ما از پایتون مزیت رقابتی است. " این سلاح مخفی آنهاست، درست است؟ "

حتی در آن جلسه اولیه، در اداره ملی استاندارد ایالات متحده در مریلند، ورشو می گوید آشکار است که پایتون چیزی جدیدی در نحوه نوشتن کد و به سادگی انجام کارها ارائه می دهد.

"وقتی اولین بار به پایتون معرفی شد، می دانستم که چیز خاصی وجود دارد؛ این ترکیب ترکیبی از قابلیت خواندن بود و لذت بردن از نوشتن کد پایتون بود"، او به یاد می آورد.

امروز شور و شوق برای پایتون به مراتب فراتر از دایره اولیه توسعه دهندگان گسترش یافته است و برخی پیش بینی می کنند که به زودی تبدیل به محبوب ترین زبان برنامه نویسی در جهان خواهد شد، زیرا کاربران همچنان به کاربران جدیدتر سریعتر از هر زبان دیگری اضافه می کنند. میلیون ها نفر از مردم هر روز از Python استفاده می کنند، با رشد چشمگیر در کاربران نشان می دهد که علائم کمی از تلخ شدن دارند.

پایتون برای وظایف بزرگ و کوچک توسط توسعه دهندگان حرفه ای و آماتور استفاده می شود و مخصوصا در بخش های وب، دانشمندان داده ها و مدیران سیستم محبوب است.

این پایتون که در اوایل امسال کمک کرد اولین تصاویر سیاهچاله را که تقریبا 500 میلیون تریلیون کیلومتر فاصله دارد، به هم متصل می کند، درست همانطور که پایتون است که شمار زیادی اسکریپت هک شده را بر روی رایانه های رومیزی در سرتاسر جهان می گذارد.

پایتون نقش مهمی در برخی از سازمان های شناخته شده در جهان بازی می کند و به Netflix کمک می کند تا فیلم ها را به بیش از 100 میلیون خانه در سراسر جهان بسپارد، اینستاگرام پدیده اشتراک گذاری عکس را به اشتراک می گذارد و از ناسا در اکتشاف فضا کمک می کند.

در برخی موارد، ظهور پایتون به طرز شگفت انگیزی و شگفت انگیزی است که گروه کمدی بریتانیایی آن را بعد از نامگذاری نامگذاری کرده است و در زبان خود، زبان برنامه نویسی به همان اندازه معروف و تاثیرگذار بوده است.

اگر واقعا می خواهید قابلیت ها و محدودیت های یادگیری ماشین را درک کنید، باید دستیار خود باشید. در اینجا یک لیست کوتاه از گزینه های برای مبتدیان است.
هر کس باید یک درک مفهومی از یادگیری ماشین داشته باشد تا بتوانند با تمرینکنندگان به طور موثرتر ارتباط برقرار کنند. برای اینکه واقعا بدانید که یادگیری ماشین چه چیزی می تواند و نمی تواند انجام دهد، شما باید با آن دست و پنجه نرم کنید، این همان چیزی است که کنجکاو، سازندگان حرفه ای و حل کننده های DIY انجام می دهند.


نقطه شروع برای افراد بر اساس آموزش و تجربه آنها متفاوت است. با این حال، عناوین منابع ممکن است لزوما این واقعیت را منعکس نکنند. در زیر یک لیست کوتاه از منابع با کمی درک به نیاز و ارزش خود را است. یادگیری عمیق، یک زیر شاخه یادگیری ماشین، عمدا حذف شده است تا تمرکز این مقاله را به یادگیری ماشین به طور کلی حفظ کنید.

مسابقات

مسابقات فرصتی را برای هر کسی فراهم می کند تا با یادگیری ماشین دست به کار شود. اجازه ندهید که کلمه "رقابت" شما را بترساند، زیرا شما منابع زیادی در این سایت ها برای هر کسی به صورت رایگان در اختیار دارید. بعدها، اگر تصمیم به رقابت دارید، و اگر موقعیتی برجسته ای در هیئت مدیره رهبر کسب کنید، شما باید چیزی بیشتر به رزومه خود اضافه کنید.

Kaggle یک پلتفرم علمی داده است که کسب و کارها برای حل مشکل به مشکل برخورد می کنند. کاربران می توانند به مجموعه داده ها، هسته، دوره های مینی رایگان، انجمن، وبلاگ ها، پست های شغلی، مستندات و موارد دیگر دسترسی داشته باشند.

Open ML (بتا 2) خود را "جنبش فراگیر برای ساختن اکوسیستم باز، سازمان یافته و آنلاین برای یادگیری ماشین" توصیف میکند. این ابزارهای منبع باز را برای کشف و به اشتراک گذاری داده ها ایجاد می کند. شرکت کنندگان می توانند داده های باز را به محیط یادگیری ماشین های مورد علاقه خود بکشند و خود را با مدل های خود یا با کمک دانشمندان داده های اجتماعی بسازند.

AnalyticsVidhya خود را به عنوان "اکوسیستم علم اطلاعات نسل بعدی" قرار می دهد. وب سایت آن دسترسی به مسابقات، جامعه، آموزش، وبلاگ ها، گواهینامه ها و لیست های کاری را فراهم می کند.

دوره های آنلاین، bootcamps و برنامه های گواهینامه

توجه داشته باشید که بسیاری از دوره های مقدماتی، سطح پایه ای دانش را در اختیار همه قرار می دهند، بنابراین عناوین منابع می توانند گمراه کننده باشند. به عنوان مثال، دوره های مقدماتی و پیشرفته "Introduction to Machine Learning"، مهارت های برنامه نویسی R یا آموزش زبان Python و سطح دانش در کالج، جبر خطی و آمار را در نظر می گیرند. همچنین دوره هایی برای رهبران کسب و کار و دیگران که نیاز به مهارت های برنامه نویسی اساسی (نه لزوما در R یا Python) و مهارت های ریاضی پایه وجود دارد.

واژه های مشاوره از متخصصان

اگر میخواهید با یادگیری ماشین موفق شوید، جاش فلیچر، یک مهندس مکانیک در AI و مشاوره یادگیری ماشین Atrium، سه توصیه ارائه میدهد:

یاد بگیرید چگونه داده ها را بکشید و دستکاری کنید
داده های حقیقی هرگز به اندازه کافی در کتاب های درسی نیست
برای استفاده از مدل هایی که می سازید، باید بدانید که اطلاعات چه معنایی دارد. شما نمی توانید این را بدون درک عملیات تجاری بدانید
دانش آموخته سرباز آمین کاظروونی، زاپوپس توصیه می کند با مشکالت کسب و کار شروع به جای یادگیری دستگاه کند.

کازروونی گفت: "ایجاد مشکلات برای راه حل های سرد، به ندرت یک سرمایه گذاری صحیح است." "در عوض، به بزرگترین مشکلات و داده های شما نگاه کنید و سپس آن مشکلات را با داده های خود مطابقت دهید. این به شما اجازه می دهد تا راهکارهای یادگیری ماشین را برای مسائل اصلی کسب و کار آماده کنید [و] شما را برای احتمال بسیار بیشتر برای موفقیت در فضا آماده می کند. "

Konrad Pabianczyk، تیم مدیریت کسب و کار AI در Netguru طرفداران Scikit-Learn برای Python و Tensorflow است.

"Pabianczyk گفت:" Scitkit یادگیری دارای مدارک خوب هدفمند درک روش های مختلف است. " "این می تواند شروع خوبی برای یادگیری، به عنوان مثال .. که در آن الگوریتم های متعدد برای درک بهتر بهبود یافته مقایسه شده است. برای پیدا کردن چارچوب های یادگیری ماشین خاص، شروع به شروع با Tensorflow".

دیروز، یک زبان برنامه نویسی جدید به اصطلاح به نام V، منبع باز بود. این به عنوان یک زبان ساده، سریع و کامپایل شده برای ایجاد نرم افزار قابل نگهداری توصیف شده است. خالق آن، الکس Medvednikov، می گوید که بسیار مشابه Go است و توسط Oberon، Rust و Swift الهام گرفته شده است.


چه چیزی از زبان برنامه نویسی V انتظار می رود؟
تدوین سریع

V می تواند به 1.2 میلیون خط کد در ثانیه در هر CPU کامپایل کند. این بدست آمده توسط نسل تولید مستقیم دستگاه و مدولار قوی است. اگر ما تصمیم به انتشار کد C، سرعت کامپایل به حدود 100K کد در ثانیه در هر پردازنده می افتد.

Medvednikov اشاره می کند که تولید نسل ماشین مستقیم هنوز در مراحل اولیه خود است و در حال حاضر تنها از x64 / Mach-O پشتیبانی می کند. او قصد دارد این ویژگی را تا پایان سال جاری پایدار کند.

ایمنی

به نظر می رسد یک زبان ایده آل است زیرا دارای هیچ متغیر صفر، جهانی، ارزش های نامشخص، رفتار نامشخص، سایه متغیر، و بررسی محدود است. این برنامه از متغیرهای قابل تغییر، توابع خالص و ساختارهای غیر قابل تغییر به طور پیش فرض پشتیبانی می کند. Generics در حال حاضر در حال پیشرفت هستند و برای ماه آینده برنامه ریزی شده اند.

کارایی

با توجه به وب سایت، V به همان سرعت C، نیاز به حداقل مقدار تخصیص، و پشتیبانی سریال داخلی ساخته شده بدون انعکاس زمان اجرا است. این کامپایل به باینری های بومی بدون وابستگی است.

فقط یک کامپایلر 0.4 مگابایت است

در مقایسه با Go، Rust، GCC و Clang، فضای مورد نیاز و زمان ساخت V بسیار بسیار کمتر است. کل زبان و کتابخانه استاندارد فقط 400 کیلوبایت است و می توانید آن را در 0.4 ثانیه بسازید. تا پایان سال جاری، نویسنده قصد دارد این زمان ساخت را به 0.15 ثانیه برساند.

ترجمه C / C ++

V اجازه می دهد تا V کد خود را به C یا C ++ ترجمه کنید. با این حال، این ویژگی در مرحله بسیار اولیه است، با توجه به اینکه C و C ++ یک زبان بسیار پیچیده هستند. خالق قصد دارد این ویژگی را تا پایان سال جاری پایدار کند.

توسعه دهندگان چه چیزی در مورد این زبان فکر می کنند؟
همانطور که توسعه دهندگان مایل به ایجاد یک زبان عالی برای ساخت برنامه های کاربردی هستند، بسیاری از افراد احساس کردند که V خیلی خوب است که درست باشد. با نگاهی به ادعاهای ساخته شده در سایت برخی از توسعه دهندگان فکر کردند که خالق بودن یا نبودن حقایق در مورد توانایی های V یا فریب مردم است.

یک زبان که سادگی Go را دارد و مدل مدیریت حافظه Rust چیزی است که هر کس می خواهد. با این حال، دلیل اصلی که باعث می شود مردم در مورد V شک و تردید است که در پشت ادعاهای سخت که باعث می شود، اثبات نشده است. یک کاربر در اخبار هکر گفت: "نویسنده ... V وعده و ادعا می کند که پس از آن، رد، تقلبی و یا غیر قابل تحمل است. مهمتر از همه، منبع برای toolchain V شده است به طور مکرر تند و تیز شده به عنوان به زودی، اما هرگز منتشر نشده است. بدون یک toolchain باز، هیچ یک از ادعاهای ساخته شده در صفحه اصلی V [2] را نمی توان تایید کرد. "

چیز دیگری که باعث می شود این پرونده مربوط به آن باشد این است که زبان برنامه نویسی V در حال حاضر در مرحله آلفا است و ناقص است. با وجود این، خالق از حساب Patreon خود به مبلغ 827 دلار در هر ماه می پردازد. "با این حال، تبلیغ یک محصول می تواند کاری انجام دهد و سپس انتشار آن را اعلام می کند که نمی تواند آن را انجام دهد، یک چیز است، اما پذیرش پول برای یک محصول که چیزی نیست که تبلیغ شده است، یک تقلب است، یک کاربر توضیح داد.

بعضی از توسعه دهندگان نیز حدس می زنند که خالق ممکن است فقط خجالت زده به باز کردن کد منبع خود را به دلیل انتخاب الگوهای الگویی بد است. یک کاربر فرض می کند، "V نرم افزار رایگان نیست، که ناامید کننده است اما نه غیر معمول؛ با این حال، V حتی منبع باز نیست، که یک جامعه سالم را ممنوع می کند. علاوه بر این، زبان های بسته تمایل به الگوهای بدی نظیر کپی رایت بر دیوار، ارتباطات ضعیف اجتماعی، رفتارهای دودویی غیر قابل اعتماد و انتشار محصولات / ویژگی های تاخیر دارند. بله، قطعا شرم آور است که سالها از تاریخ به نمایش گذاشته شود تا همه بتوانند ببینند، اما همه ما ظاهرا بر آن غلبه کرده ایم. پنهان شدن در کدبندی V چیست؟ ما نمی دانیم به عنوان یک حدس و گمان، من فکر می کنم نویسنده ممکن است از ماهیت خاص بوت استرپ خود خجالت بکشد. "

ویژگی های ذکر شده در وب سایت رسمی باور نکردنی هستند. تنها نگرانی این بود که خالق در مورد چگونگی رسیدن به آنها شفاف نبوده است. همچنین، همانطور که قبلا آن را بسته بود، هیچ راهی برای دیگران برای تایید تضمین های عملکرد وجود ندارد که وعده داده شده است، چرا که اغلب سردرگمی اتفاق افتاده است.

الکس Medvednikov در مورد اینکه چرا شما می توانید برنامه نویسی V اعتماد کنید
در مورد موضوعی که در GitHub گزارش شد، خالق اظهار داشت: "بنابراین شما به من اعتقاد دارید یا نه، ما خواهید دید که چه کسی در ماه ژوئن درست است. اما لطفا به من یک دروغگو، ناامید کننده و اطلاعات غلطی نپردازید. "Medvednikov شاید از پاسخ ها و گمانه زنی ها سر در آورده بود، او در جلسات مختلف بحث می کرد. توسعه یک زبان کاملا جدید نیاز به کار بسیار دارد و شاید مهلت های او بلندپروازانه باشد.

دیوید Medvednikov که روز چهارشنبه منتشر شد، اعلام کرد که فرآیند طراحی زبان، زیباترین نسخه چشم انداز او نیست. او نوشت: "هک های زیادی وجود دارد که من واقعا از آنها خجالت می کشم، مانند استفاده از os.system () به جای API core
اما شاید هنوز زود باشد بهتر است سراغ دوره های برنامه نویسی بهتری مانند دوره آموزش پایتون بروید!

توسعه دهندگان واقعا از زبان برنامه نویسی Python استفاده می کنند؟

با توجه به نظرسنجی توسعه دهندگان توسط JetBrains (که همچنین Kotlin را معرفی کرد، زبان پیشرفته برای توسعه اندروید)، 49 درصد از آنها می گویند از تحلیل Python برای تحلیل داده ها استفاده می کنند، پیش از توسعه وب (46 درصد)، یادگیری ماشین (42 درصد ) و مدیریت سیستم (37 درصد).

تعداد قابل توجهی از توسعه دهندگان نیز از زبان برای تست نرم افزار (25 درصد)، نمونه اولیه نرم افزار (22 درصد) و "اهداف آموزشی" (20 درصد) استفاده می کنند. هرچند کمتر آن را برای گرافیک، توسعه جاسازی شده یا بازی / توسعه تلفن همراه انتخاب کردیم.


این داده ها فقط ایده کلی را تقویت می کند که پایتون بلای فضای تجزیه و تحلیل داده ها است. اگرچه زبانهای بسیار تخصصی مانند R جایگاه خود را در میان دانشگاهیان و تحلیلگران محققان بیشتر محسوب می شوند، اما واضح است که سهولت استفاده نسبی پایتون (به جز در همه جا آن)، آن را در بین کسانی که نیاز به اطلاعات را برای برخی از جنبه ها دارند، بسیار دوست دارند از مشاغل آنها.

این روند نیز برای مدت زمان زیادی ادامه دارد: در فوریه 2018، نظرسنجی KDnuggets نشان داد که کاهش مصرف R به نفع Python در بین جوانانی که از هر دو زبان استفاده می کنند، کاهش می یابد. در طول همان دوره، یک نظرسنجی جداگانه از Burtch Works نشان داد که استفاده از زبان در میان متخصصان تجزیه و تحلیل، از 53 درصد به 69 درصد در طی مدت مشابه دو سال افزایش یافته است، در حالی که پایگاه کاربری R تقریبا یک سوم کاهش یافته است.

اما شما همچنین نمی توانید از استفاده پایتون در یادگیری ماشین نادیده بگیرید، که به طور گسترده ای به عنوان بخش مهمی از تقریبا هر استراتژی فناوری آینده هر شرکتی مورد توجه است. اگر توسعه دهندگان از پایتون برای ساخت ابزار یادگیری ماشین استفاده می کنند، به این معنی است که زبان یک قفل بزرگ در ML / A.I دارد. اکوسیستم به نظر می رسد که چگونه نرم افزار آینده توسعه می یابد.


اگر پایتون را نمی دانید، این یک زبان حیاتی برای یادگیری است. خوشبختانه انواع وب سایت ها، کتاب ها و سایر منابع وجود دارد که می تواند شما را سریع کند.

کدام نسخه از پایتون را استفاده می کنید؟
داده های JetBrains نشان می دهد که اکثریت قابل توجه توسعه دهندگان (87 درصد) در پایتون 3 هستند، در حالی که 13 درصد هنوز در پایتون 2 هستند. این رشد بسیار سریع برای پایتون 3 است که سه چهارم بازار در سال گذشته داشت.

زبان به نسخه 3.7.3 است و تکرارهای جدید ویژگی های مفیدی را برای توسعه دهندگان اضافه می کند. به عنوان مثال، 3.7.0 شامل توابع زمان جدید، حالت UTF-8 مجازی، نقطه بوق ساخته شده، کلاس داده ها و حالت زمان اجرا است. به عبارت دیگر، توسعه دهندگان برای ادامه کار با نسخه قدیمی تر سخت است که در نسخه های بعدی به کار خود ادامه دهد تا زندگی آنها را ساده تر کند، مگر اینکه کار آنها مستلزم مبارزه با کد های میراثی باشند که قابل ارتقا نیست.

بسته به آنچه میخواهید انجام دهید، ممکن است بخواهید از پایتون 2 استفاده کنید. از این صفحه برای مقایسه 2.x و 3.x استفاده کنید، که شاید فرآیند تصمیمگیری شما را سادهتر کند.

با توجه به شاخص TIOBE، برنامه نویسی جاوا بیشترین استفاده از زبان برنامه نویسی است. جای تعجب نیست که آن را به عنوان شاخص بالا، ماه بعد از ماه، با تنها چند dips و slips. به طور کلی، محبوبیت جاوا همچنان نسبتا سازگار باقی می ماند، و آن را به عنوان یک اسباب امنیتی امن برای یک زبان برای هر توسعه دهنده مشخص می کند. در این راستا در کنار C قرار دارد.


با این حال، آیا جاوا همچنان ایستاده، در شاخص های آینده ثابت خواهد شد؟

ما چشمانمان را به پایتون تبدیل می کنیم. این زبان برنامه نویسی سال توسط TIOBE Index در سال 2018 به پایان رسید. آیا ممکن است جاوا از زمان حکومت خود را غصب کند؟ بیایید نگاهی به شاخص TIOBE برای ژوئن 2019 بیاندازیم.

ژوئن 2019 شاخص TIOBE
شاخص TIOBE در ماه ژوئن 2019، نظرسنجی قابل پیش بینی را با سرعت رشد پایتون تکان داد. زبان میزان تغییرات + 2.77٪ را مشاهده کرد، بیشترین دیده شده توسط شاخص.

در همین حال، در ماه جاری، تغییرات -0.36٪ برای جاوا و نرخ -1.64٪ تغییر برای C رخ داد.

فهرست TIOBE ادعا می کند:

این ماه Python در تمام مدت زمان بالا در شاخص TIOBE 8.5٪ رسیده است. اگر پایتون بتواند این سرعت را حفظ کند، احتمالا C و Java را در 3 تا 4 سال جایگزین می کند، در نتیجه تبدیل به محبوب ترین زبان برنامه نویسی در جهان خواهد شد. دلیل اصلی این است که مهندسی نرم افزار پررونق است. این تعداد زیادی از تازه واردان را به میدان می برد. روش برنامه نویی جاوا برای مبتدیان بسیار واضح است. برای به طور کامل درک و اجرای یک برنامه ساده مانند "hello world" در جاوا، شما باید از کلاس ها، روش های استاتیک و بسته ها مطلع شوید. در C این کمی ساده تر است، اما پس از آن شما با چهره با مدیریت صحیح حافظه مواجه خواهید شد. در پایتون این فقط یک خط کش است. به اندازه کافی گفت

براساس شاخص، زبان مجلسی و Groovy همچنین رشد اقتصادی این ماه را نیز مشاهده کردند. (در مقایسه با سال 2018، Groovy کمی افزایش یافته است. در این سال تعداد 14 رقم طول می کشد؛ در سال گذشته تعداد 60 عدد).

پایتون در حال افزایش است
بنابراین، سوال باقی می ماند: آیا پایتون در طولانی مدت جاوا و سی را پیشی می گیرد؟

مقاله ای از سیمون ریتر، "آن را دوست دارم یا از آن متنفر هستم، جاوا همچنان در حال تکامل است"، ماهیت قطبیگرایی زبان را مورد بحث قرار می دهد. ریتور می نویسد: "حتی پس از 24 سال، جاوا همچنان در بالای یا بسیار نزدیک به بالای بررسی هایی است که محبوبیت زبان های برنامه نویسی را رتبه بندی می کند ...".

همچنین ببینید: نتایج یادگیری ماشین را با مدل های پیش آموزش دیده در PyTorch Hub بازیابی کنید

یک انتقاد از این مفهوم که پایتون جاوایی و سی را پیش رو دارد، این است که همه سه زبان از اهداف متفاوت و برنامه نویسی استفاده می کنند. مقایسه آنها ممکن است یک مورد سیب در مقابل پرتقال باشد. اغلب، دانستن تنها یک کافی نیست، زیرا آنها 100٪ با یکدیگر همپوشانی ندارند. یک توسعه دهنده با استفاده از جاوا ممکن است قادر به تغییر تمام کد خود در Python نباشد و بنابراین جاوا همچنان در بالای صفحه قرار خواهد گرفت.

هر زبان برنامه نویسی قابل تعویض نیست. به عنوان مثال، پایتون نیز به عنوان زبان انتخابی برای مستندات علمی و علم اطلاعات حل و فصل شده است، که ممکن است دلیلی برای صعود به سمت بالا از نمودارها باشد. پایتون همچنین توسط شرکت های بزرگ / وب سایت های مانند Netflix، Dropbox و Reddit استفاده می شود.

دلیل دیگری که این پیش بینی ممکن است به خرج نرسد این است که چگونه TIOBE اطلاعات خود را جمع آوری می کند. روش آنها بستگی دارد به اینکه چگونه هر زبان در 25 موتور جستجو رتبه بندی می شود. این ممکن یا شاید محبوبیت واقعی زندگی را در خارج از نتایج موتور جستجو نشان نمی دهد.

بحث در مورد Python در مقابل R در جامعه دانشمند اطلاعات، در اینجا نحوه دو زبان برنامه نویسی مطابقت دارد.

پایتون در مقابل R یک بحث مشترک در بین دانشمندان داده است، زیرا هر دو زبان برای کار داده ها و در میان مهارت های اغلب ذکر شده در پست های شغلی برای موقعیت های داده های علمی مفید هستند. هر زبان مزایا و معایب مختلفی برای کار علمی داده است و باید بسته به کار شما انجام شود.

Norm Matloff، استاد علوم رایانه ای در دانشگاه کالیفرنیا دیویس، برای کمک به دانشمندان داده ها، یک زبان گیتفا را برای هدف قرار دادن برخی از نکات در این بحث نوشت.

Matloff R و Python را در 10 دامنه زیر مقایسه کرد تا تعیین کنند کدام زبان برنامه نویسی بهتر انتخاب شده است:

ظرافت
برنده: دوره آموزشی پایتون
در حالی که این ذهنیت است، پتون در هنگام برنامه نویسی به طور چشمگیری استفاده از پرانتز و پرانتز را کاهش می دهد، و آن را براق تر می کند، Matloff در پست نوشت.

منحنی یادگیری
برنده: R

در حالی که دانشمندان داده ها با پایتون باید بسیاری از مواد را برای شروع به یادگیری، از جمله NumPy، Pandas و matplotlib یاد بگیرند، انواع ماتریس و گرافیک پایه در پایه R ساخته شده است، Matloff نوشت.

وی با افزودن "R"، تازه کار می تواند تجزیه و تحلیل داده ها را در عرض چند دقیقه انجام دهد. "کتابخانه های پایتون می توانند برای پیکربندی، حتی برای سیستم های هوشمندانه، پیکربندی شوند، در حالی که اکثر بسته های R درست از جعبه خارج می شوند."

کتابخانه های موجود
برنده: جفت

شاخص بسته پایتون (PyPI) دارای بیش از 183000 بسته است، در حالی که شبکه جامع R Archive (CRAN) بیش از 12،000 دارد. Matloff نوشت، با این حال، PyPI نسبت به علوم داده بسیار نازک است.

"برای مثال، من یک بار به کد نیاز داشتم تا محاسبات سریع از نزدیکترین همسایگان یک نقطه داده داده شده را انجام دهم. (متاسفم کد را با استفاده از آن برای طبقه بندی انجام دهید)" ماتلوف نوشت. "من توانستم بلافاصله بجای دو بسته برای انجام این کار پیدا کنم. در مقابل، در حال حاضر من سعی کردم نزدیکترین کد همسایه برای پایتون را پیدا کنم و حداقل با جستجوی پرطرفدار من، دستیابی خالی به دست آمد؛ فقط یک پیاده سازی وجود داشت که خود را ساده و سر راست توصیف کرد، هیچ چیز سریع نیست. "

هنگامی که شرایط زیر را در PyPI جستجو می کنید، هیچ چیز نمی آید، Matloff افزود: مدل log-line؛ رگرسیون پواسون؛ متغیرهای ابزار؛ داده های فضایی؛ نرخ خطای خانوادگی.

یادگیری ماشین
برنده: پایتون (اما نه خیلی زیاد)

رشد گسترده پایتون در سال های اخیر بخشی از افزایش یادگیری ماشین و هوش مصنوعی (AI) است. Matloff نوشت: در حالی که دوره Python تعدادی از کتابخانه های دقیق را برای تشخیص تصویر ارائه می دهد، مانند AlexNet، نسخه های R نیز به آسانی قابل توسعه می باشند.

"قدرت کتابخانه های پایتون از تنظیم برخی از عملیات تشخیص تصویر است که می تواند به راحتی در پوشه Reras Keras اجرا شود و از این رو، یک نسخه خالص از TensorFlow می تواند توسعه یابد"، Matloff نوشت. "در همین حال، من می خواهم ادعا کنم که در دسترس بودن بسته های R برای جنگ های تصادفی و تقویت شیب قابل توجه است."

صحت آماری
برنده: R (تا کنون)

متلوف نوشت که متخصصان در یادگیری ماشین که برای پایتون طرفداری می کنند گاهی اوقات درک درستی از مسائل مربوط به آماری دارند. از سوی دیگر، از سوی آمارگیران، برای آمارگیران نوشته شده است.

محاسبات موازی
برنده: جفت

متلوف نوشت: نسخه های پایه R و Python پشتیبانی زیادی برای محاسبات چندگانه ندارند. بسته multiprocessing پایتون یک راه حل خوب برای مسائل دیگر آن نیست، و بسته موازی R نیز نیست.

ماتلوف نوشت: "کتابخانه های خارجی که از محاسبه خوشه پشتیبانی می کنند در هر دو زبان خوب هستند." "در حال حاضر پایتون رابط کاربری بهتر را به GPU ها دارد."

رابط C / C ++
برنده: R (اما نه خیلی زیاد)

متلوف نوشت: Rcpp R یک ابزار قدرتمند برای اتصال R به C / C ++ است. در حالی که پایتون ابزارهایی مانند swig برای انجام این کار دارد، آنقدر قدرتمند نیست و بسته Pybind11 هنوز در حال توسعه است. ماتلوف نوشت: ایده جدید ALTREP R همچنین دارای قابلیت بالقوه برای افزایش عملکرد و قابلیت استفاده است. با این حال، انواع Cython و PyPy از Python گاهی اوقات می تواند نیاز به رابط C / C ++ صریح را حذف کند.

جهت گیری شی، metaprogramming
برنده: R (اما نه خیلی زیاد)

ماتلوف نوشت، اگرچه توابع اشیا در هر دو R و Python هستند، R آن را جدی تر می گیرد.

او گفت: "هر زمان که من در پایتون کار می کنم، من از این واقعیت که من نمی توانم یک تابع را به ترمینال، که من در R بسیار کار می کنم، ناراحت هستم." پایتون تنها یک پارادایم OOP دارد. در R، شما انتخاب خود را از چند، هر چند برخی ممکن است بحث که این خوب است. با توجه به ویژگی های متالورژیم جادویی R (کد تولید کد)، دانشمندان کامپیوتر باید روی R قرار بگیرند. "

اتحاد زبان
برنده: پایتون (تا کنون)

در حالی که پایتون از نسخه 2.7 به 3.x منتقل می شود، این باعث ایجاد اختلال زیادی نمی شود. با این حال، متولف نوشت: R به دلیل تاثیرات RStudio: R و Tidyverse به دو گویش متفاوت تبدیل شده است.
ماتلوف نوشت: "شاید بهتر باشد اگر Tidyverse برتر از R معمولی باشد، اما به نظر من این نیست." "این باعث می شود همه چیز برای مبتدیان مشکل تر است."

ساختارهای داده مرتبط هستند
برنده: پایتون (به احتمال زیاد)

ماتلوف نوشت: "ساختار داده های کلاسیک علوم رایانه، مانند درخت های باینری، در پیونس آسان است." "در حالی که این را می توان در R با استفاده از کلاس" لیست "خود انجام داد، می توان حدس زد که آن آهسته است."

طبق یک گزارش آکادمی ابر 2018، هنگامی که به پست های کاری می آید، تقاضا برای مهندسان داده با R در مقایسه با افرادی که در پایتون مهارت دارند، کم است. تقریبا 66٪ از پست های پست شده توسط مهندسین داده مربوط به پایتون بوده است، در مقایسه با فقط 18٪ از پست هایی که اشاره کردید.

طبق گفته Cloud Academy، خارج از R و Python، دیگر مهارت های درخواستی برای مهندسان داده شامل SQL، Spark، Hadoop، Java، Amazon Web Services (AWS)، Scala و کافکا هستند.

زبان پایتون در حال حاضر یکی از محبوب ترین زبان برنامه نویسی در میان توسعه دهندگان است. با توجه به شاخص زبان برنامه نویسی Tiobe، این رتبه در جایگاه سوم پشت جاوا و C قرار دارد.

اما در این ماه Python تا 8.5 درصد در شاخص Tiobe، بالاترین میزان خود را با امتیاز 2.77 درصد نسبت به این زمان در سال گذشته افزایش داده است.

تحلیلگران Tiobe معتقدند که طی مدت سه تا چهار سال، پایتون "احتمالا جایگزین C و جاوا" خواهد شد تا محبوب ترین زبان برنامه نویسی در جهان شود. جاوا، محبوب ترین زبان، دارای رتبه شاخص 15 درصد است، در حالی که C دارای رتبه 13.3 درصد است.

با توجه به Tiobe، محبوبیت پایتون به وسیله رشد قوی در مهندسی نرم افزار و قابلیت استفاده از زبان در مقایسه با Java و C به وجود آمده است.

"دلیل اصلی این است که مهندسی نرم افزار پررونق است و بسیاری از تازه واردان را در این زمینه جذب می کند. روش برنامه نویسی جاوا برای مبتدیان خیلی واضح است. برای درک کامل و اجرای یک برنامه ساده مانند" سلام جهان "در جاوا که نیاز دارید برای اطلاع از کلاس ها، روش های استاتیک و بسته ها، "Tiobe گزارش می دهد.

"در C این کمی ساده تر است، اما پس از آن شما با مدیتیشن حافظه صریح به چهره خواهید رسید. در پایتون، این فقط یک چسب است."

زبانهای دیگر در بالای 10 پس از پایتون عبارتند از C ++، ویژوال بیسیک .NET، C #، جاوا اسکریپت، PHP، SQL و زبان Assembly.

شواهد دیگری از محبوبیت پایتون شامل بازار مایکروسافت ویژوال استودیو کد (VS Code) است که پسوند Python برای کد VS تا حد زیادی گسترش یافته است، با بیش از نه میلیون نصب، از آوریل 8 میلیون.

علاوه بر این، شرکت هایی مانند Netflix از پایتون در همه جا استفاده می کنند، از جمله برای ساخت الگوریتم های توصیه، مدیریت شبکه توزیع محتوا و خودکار سازی توابع امنیتی. و مفید بودن و انعطاف پذیری زبان به لطف کتابخانه های محبوب پایتون مانند TensorFlow و Numpy افزایش یافته است.

هم اکنون طراحان هر ماه در مورد سرریز پشته در مورد پایتون از جاوا اسکریپت سوال می کنند که از نظر تاریخی اغلب سوالات را جذب کرده است.

همانطور که سایت TechRepublic خواهر ZDNet اخیرا گزارش داده است، مطالعه ای از 12 میلیون متخصص فناوری اطلاعات نشان داد که مجموع ساعت های صرف شده در آموزش پایتون، از 2017 تا 2018 به 20 درصد افزایش یافته است که به حدود 200،000 ساعت افزایش می یابد.

علم اطلاعات بسیاری از پیروان را جذب کرده است، این واقعیت از تعداد زیادی ثبت نام در سمینارهای علمی داده ها و کارگاه ها و هکاتون داده ها فراتر رفته است. دانشمند داده یکی از پرطرفدارترین شغل در صنعت امروز است و با تقاضای فراوان، نیاز به افرادی است که دارای مهارتهای لازم برنامه نویسی و تخصص ریاضی هستند.

قبل از به دست آوردن تخصص، یک دانشمند مشتاق داده باید بتواند تصمیم درستی بگیرد که کدام زبان برنامه نویسی برای کار استفاده شود. تعدادی از زبان های برنامه نویسی وجود دارد که می تواند برای نوشتن کد ها بسته به کار در دست باشد. در اینجا یک لیست از زبان های برنامه نویسی بالا برای تحلیل های پیشرفته، یادگیری ماشین و علوم داده وجود دارد.

 پایتون
پایتون یک هدف کلی ساده و یک زبان برنامه نویسی چند پارادایم است که بر تعداد زیادی از کتابخانه ها کمک می کند تا کاربران را به انجام وظایف مختلفی از جمله اتوماسیون، چند رسانه ای، رابط کاربری گرافیکی، پایگاه داده، متن و پردازش تصویر. دوره آموزشی پایتون یک زبان آسان برای یادگیری و کار با آن است که توسط هر دو دانش آموز و استخدام شده ترجیح داده شده است. پایتون ترکیبی از رابط کاربری با الگوریتم های با کارایی بالا که در Fortran یا C نوشته شده است و تبدیل به یک زبان برنامه نویسی پیشرو برای دانش داده های باز است که به طور گسترده ای در توسعه وب، محاسبات علمی، داده کاوی و دیگر موارد استفاده می شود.

 

R
R یک زبان منبع باز و محیط نرم افزاری است که به طور گسترده ای برای محاسبات و گرافیک های آماری استفاده می شود. بسیاری از کارکنان R به عنوان یک الزام اساسی در یادگیری ماشین و علوم داده مورد نیاز است. R یک مهارت برنامه نویسی قوی شی گرا را ارائه می دهد که به آن مزیت بیش از دیگر زبان های محاسباتی را می دهد. R به شدت مورد استفاده برای تولید گراف ها و دیگر نمادهای ریاضی به استثنای ایجاد آرایه ها، فریم های داده، بردارها و ماتریس ها است. R به عنوان یک جایگزین برای SAS و Matlab عمل می کند، محبوبیت R می تواند به طور گسترده ای درک شود زیرا این انتخاب برای شرکت هایی مانند فیس بوک و گوگل انتخاب شده است.

 

SQL
زبان پرسوجو سازه ای (SQL) برای مقابله با پایگاه های داده های بزرگ مورد استفاده قرار می گیرد و به ویژه در به روز رسانی، جستجو و دستکاری پایگاه های داده مفید است. SQL در مدیریت پایگاههای داده ای به خصوص بزرگ استفاده می شود و زمان چرخش برای درخواست های آنلاین را با زمان پردازش سریع آن کاهش می دهد. یک دانشمند کارآمد داده باید اطلاعات زیادی از پایگاه داده استخراج و خراب کند، به همین علت، دانش SQL باید باشد. SQL یک زبان برنامه نویسی آسان برای یادگیری با آسان به درک نحو، مانند SELECT نام از کاربران که سن> 30.

 

MATLAB
 
MATLAB یک زبان محاسباتی عددی است که توسط Mathworks طراحی شده و برای محاسبات عددی با زمینه مشابه به پایتون طراحی شده است. MATLAB مبتنی بر C، C ++، و زبان های برنامه نویسی جاوا، سریع، پایدار و الگوریتم های جامد برای زبان محاسباتی عددی است که توسط کل دانشگاه و صنعت مورد استفاده قرار می گیرد. MATLAB به عنوان یک زبان مناسب برای ریاضیدانان و دانشمندان با نیازهای پیچیده ریاضی مانند پردازش تصویر، جبر ماتریس و پردازش سیگنال برخورد می شود.

 

اسکالا
Scala (زبان مقیاس پذیر) یک زبان برنامه نویسی منبع باز است که دارای یکی از بزرگترین پایگاه های کاربری است. Scala انتخاب ایده آل زبان با برنامه نویسان است که در مجموعه داده های با حجم بالا کار می کنند، زیرا پشتیبانی کامل از برنامه نویسی کاربردی و یک سیستم نوع استاتیک قوی ارائه می دهد. کاربران می توانند از Scala در ارتباط با Spark استفاده کنند، و Scala را یک زبان برنامه نویسی ایده آل در هنگام برخورد با حجم زیادی از داده ها. Scala از برنامه های OOP و برنامه های کاربردی پشتیبانی می کند و می تواند برای نوشتن برنامه های وب استفاده شود.

 

جولیا
جولیا یک زبان برنامه نویسی پویا سطح بالا برای محاسبات و تجزیه و تحلیل عددی است. جولیا قادر به برنامه نویسی همه منظوره است و تبدیل به یک انتخاب عالی برای مقابله با پروژه های پیچیده که شامل مجموعه های داده های با حجم بالا است تبدیل شده است. برای کدنویسی که نحو کار با مقدار همگانی پایتون را به کار میگیرد، جولیا زبان برنامهنویسی بعدی است که میخواهند یاد بگیرند.

چشم انداز علم داده به سرعت در حال پیشرفت است، زیرا کسب و کار ها یاد می گیرند که اهمیت داده ها برای آنها با نیاز به دانش دانشمندان همچنان رشد می کند. مهارت های شناخته شده و دانش زبان های داده های علمی نه تنها دانش حرفه ای داده های کاربر را به ارتفاعات جدید می برد بلکه موجب رشد سازمان هایی خواهد شد که در پی پیاده سازی پروژه های داده های علمی هستند. ما امیدواریم که این فهرست قطعی به دانشمندان داده و علاقه مندان به علوم داده کمک کند!

اگر به فکر یادگیری نحوه کد کردن با هدف بیان شغل مهندسی در یک بانک یا یک صندوق ذخیره سازی هستید، کدام زبان برنامه نویسی باید ابتدا یاد بگیرد؟ و هنگامی که شما صلاحیت دارید، کدامیک بالاترین حقوق شما را پرداخت می کنید؟

در حالی که آموزش پایتون بدون شک محبوب ترین زبان اول برای یادگیری برای کارهای مالی است، برخی از اختلاف در این صفحات وجود دارد که آیا پایتون یا جاوا بهترین زبان برنامه نویسی برای یادگیری است - و این که آیا بهترین زبان برای یادگیری از بسیاری ممکن است در واقع به جای Scala باشید

اکنون می توانیم بگوییم که از لحاظ پرداخت حداقل، احتمالا بهتر است با تمرکز بر روی پایتون. تجزیه و تحلیل کارهای برنامه نویسی که در eFinancialCareers در نیویورک و لندن تبلیغ شده است، نشان می دهد که شغل های کدگذاری پایتون با حقوق متوسط ​​117k (£ 92k) در مقایسه با 77k $ برای C # مطابق جدول زیر است.

برتری پایتون احتمال بیشتری برای علاقه به زبان دارد. با این حال، قبل از اینکه عجله کنید تا به دوره های پایتون در Udemy یا CodeAcademy بپیوندید، لازم به ذکر است که اکثر مشاغل مالی نیاز به مهارت در زبان های مختلف برنامه نویسی دارند نه فقط یک. این بیشتر در مورد دانستن پایتون و جاوا نسبت به یک یا دیگر است.

یادگیری ماشین توسط Andrew Ng، دانشمند کامپیوتر در دانشگاه استنفورد، به عنوان "دانش کامپیوتری برای انجام کار بدون برنامه صریحا برنامه ریزی شده" تعریف شده است. این اولین بار در دهه 1950 درک شد، اما پیشرفت محدودی را تا دوران نوامبر 21 قرن. از آن به بعد، یادگیری ماشین نیروی محرکه ای در پشت تعدادی از نوآوری ها، به ویژه هوش مصنوعی بوده است.


یادگیری ماشین را می توان به چند دسته تقسیم کرد، از جمله آموزش تحت نظارت، بدون نظارت، نیمه نظارت و تقویت یادگیری. در حالی که یادگیری تحت نظارت بر داده های ورودی برچسب شده به منظور به دست آوردن روابط خود با نتایج خروجی متکی است، یادگیری بی نظیر الگوهای بین داده های ورودی بدون برچسب را تشخیص می دهد. یادگیری نیمه نظارتی ترکیبی از هر دو روش را استفاده می کند و یادگیری تقویت می کند برنامه ها را برای تکرار یا تعمق در فرآیند با نتایج مطلوب در حالی که اجتناب از اشتباهات را تسریع می کند. (برای یادگیری در مورد تاریخ برنامه نویسی، بررسی برنامه نویسی کامپیوتر: از زبان ماشین به هوش مصنوعی.)

چندین صنایع مختلف در حال حاضر از یادگیری ماشین بهره می برند و تقاضای روزافزون برای محصولات و خدمات ML در سراسر جهان توسعه یافته وجود دارد. بنگاه های مختلفی از قابلیت های پیش بینی شده خود بهره می برند و به دنبال توسعه روش های یادگیری ماشین های مجزا برای تصمیم گیری های آگاهانه هستند. راه های مختلفی برای شرکت ها وجود دارد که بتوانند به این تکنولوژی دست یابند، از جمله چند زبان برنامه نویسی که در این زمینه برجسته هستند.

پایتون
آموزش پایتون که توسط بنیاد پایتون در اوایل دهه 1990 توسعه یافته است، یک زبان برنامه نویسی سطح بالا است که دارای بسیاری از کاربردهای مختلف، از جمله دانش داده ها و توسعه وب است. به عنوان ابزار قدرتمند تجزیه و تحلیل داده ها، آن را به طور گسترده ای در فن آوری داده های بزرگ استفاده می شود، و جامعه قوی از توسعه دهنده های ماشین های یادگیری کمک کرده است وضعیت خود را در زمینه رشد هوش مصنوعی افزایش یافته است.

با توجه به این جامعه پر جنب و جوش، در حال حاضر بسیاری از کتابخانه های پیش ساخته شده برای یادگیری ماشین در پایتون وجود دارد. و پایتون پلت فرم آگنوستیک است، به این معنی که آن را به تقریبا هر سیستم عامل سازگار است. این نیز منبع باز است، که باعث می شود آن را برای عموم قابل دسترس باشد.

پایتون یک زبان پویا است که می تواند مشکلات را در محیط های یادگیری ماشین ایجاد کند. برای یک، خطاها وقتی می توانند برنامه های بزرگتر و پیچیده تر رشد کنند، مشکل می شود. این می تواند نقایص گرانقیمت و همچنین کاهش عملکرد را ایجاد کند.

R
همچنین در اوایل دهه 1990 توسعه یافت، R بخشی از پروژه گنو است. این روش به طور گسترده ای در تجزیه و تحلیل داده ها مورد استفاده قرار می گیرد و به طور معمول به وظایف یادگیری ماشین های رایج مثل رگرسیون، طبقه بندی و شکل گیری درخت تصمیم می پردازد. این یک زبان برنامه نویسی بسیار محبوب در میان آمارگیران است.

R همچنین منبع باز است و به طور گسترده ای مشهور است که نسبتا آسان برای نصب، پیکربندی و استفاده است. این پدیده آگنستیک است و با دیگر زبانهای برنامه نویسی هماهنگ است. در کنار تجزیه و تحلیل داده ها، R دارای قابلیت ویژوال بی نظیر اطلاعات است.

علیرغم اینکه نسبت به دیگر ابزارها نسبتا آسان است، R دارای برخی از خصوصیات منحصر به فرد است که می تواند تا حدودی اشتباه در یادگیری، مانند ساختارهای داده های غیر متعارف و نمایه سازی (که از 1 به جای 0 شروع می شود). این نیز کمتر از پایتون محبوب است و در نتیجه مستندات زیادی برای برنامه های کاربردی برای یادگیری ماشین موجود نیست. (برای اطلاعات بیشتر در مورد این دو زبان، نگاه کنید به بحث بین R و پایتون.)

JavaScript
در اواسط دهه 1990، به عنوان یک ابزار برای بهبود شیوه های توسعه وب، جاوا اسکریپت از آن زمان به یکی از زبان های به کار رفته در این زمینه تبدیل شده است. این یک زبان سطح بالا و به صورت پویا است که انعطاف پذیر و چند پارادایم است. اگرچه برنامه های کاربردی آن در یادگیری ماشین محدود شده است، پروژه های پرطرفدار مانند Tensorflow.js گوگل بر اساس جاوا اسکریپت است.

یکی از امیدوار کننده ترین ویژگی های جاوا اسکریپت در زمینه یادگیری ماشین این است که فرصت هایی را برای توسعه دهندگان وب و جلویی ایجاد می کند که قبلا به خوبی با آن آشنا هستند و بنابراین یک نقطه قابل دسترسی برای وارد شدن به موارد دیگر تا حدی ناشناخته و طاقچه دشوار

همانطور که در حال حاضر وجود دارد، با این حال، اکوسیستم برای یادگیری ماشین با جاوا اسکریپت هنوز تا حدودی نابالغ است، بنابراین پشتیبانی از این نوع توسعه در حال حاضر محدود است. همچنین دارای طیف وسیعی از قابلیت های علمی داده ها است که زبان ها مانند R و Python در آنها ساخته شده اند.

سی ++
در میان رایج ترین زبان های برنامه نویسی امروز، C ++ احتمالا قدیمی ترین است. C ++ در اوائل دهه 1980 توسط Bell Labs توسعه یافت و C ++ از تحقیقات دکترا خارج شد که به دنبال گسترش زبان C بود. C ++ با هر دو توانایی برنامه نویسی کم و سطح بالا را فعال می کند، C ++ اجازه می دهد تا سطح بالایی از کنترل و کارایی را نسبت به زبان های دیگر برنامه نویسی در زمینه های یادگیری ماشین فراهم کند.

C + + به ویژه برای برنامه های کاربردی با فشردگی کار می کند، که بخشی از چیزی است که برای یادگیری ماشین عالی است. و به عنوان یک زبان استاتیک تایپ شده، می تواند وظایف را با سرعت نسبتا بالا انجام دهد.

با این حال، C ++ نیاز به یک مقدار زیادی از کد پیچیده برای ساخت برنامه های جدید، که می تواند بسیار وقت گیر باشد و می تواند مقدار زیادی از مشکلات تعمیر و نگهداری را ایجاد کند. این می تواند برای مبتدیان برای ایجاد اشتباهات بسیار آسان باشد.

جاوا
Java در اواسط دهه 1990 طراحی شده توسط Sun Microsystems به عنوان یک زبان برنامه نویسی سطح بالا و شی گرا ساخته شده است که به نظر می رسد و مشابه C ++ است. همراه با بسیار محبوب، جاوا می تواند طیف وسیعی از الگوریتم ها را اجرا کند که برای جامعه یادگیری ماشین بسیار مفید است.

جاوا به عنوان یکی از امن ترین زبان های برنامه نویسی محسوب می شود، عمدتا به دلیل استفاده از آن از بایت کدی و سندباکس. جاوا موفق به استفاده از قدرت C ++ می شود، در حالی که از مسائل امنیتی و پیچیدگی کلی آن عبور می کند.

اما با تمام پیشرفت های آن در C ++، آموزش جاوا شهرت دارد که از بسیاری از زبان های دیگر برنامه نویسی کندتر است. علاوه بر این، تا سال 2019، جاوا مجوز تجاری را برای برنامه های کاربردی خاص تجاری اعمال می کند که می تواند هزینه ای باشد.

نتیجه
از تمامی زبانهای برنامه نویسی که برای یادگیری ماشین استفاده می شود، پایتون محبوب ترین است. با این وجود، زبان هایی مانند جاوا اسکریپت به احتمال زیاد می تواند به عنوان محبوبیت به عنوان چشم انداز تغییر در طول زمان. و اگر چه برنامه های انسانی هرگز ناپدید نمی شوند (یا حداقل در هر زمان در آینده ای نزدیک)، برنامه نویسی برای یادگیری ماشین، در سال های آینده، کمتر به کد متمرکز خواهد شد؛ زیرا ماشین ها برای خودشان آموزش داده می شوند.