【www.shanpow.com--现代诗】
人工智能python篇1:Python与人工智能的关系原来是这样的...
人工智能掀起了世界的新一波科技浪潮，如今，你要是不懂点AI、机器学习和python都不好意思说你是现代人，那么python究竟和人工智能什么关系，为什么人工智能把python也给带火了，今天就给大家简单介绍下python和人工智能的关系及应用，以及想要学人工智能的你，究竟需要学些什么python的知识，先来上两张图人工智能和python的图。
从上图可以看出，人工智能包含常用机器学习和深度学习两个很重要的模块，而右图中python拥有matplotlib、Numpy、sklearn、keras等大量的库，像pandas、sklearn、matplotlib这些库都是做数据处理、数据分析、数据建模和绘图的库，基本上机器学习中对数据的爬取（scrapy）、对数据的处理和分析（pandas）、对数据的绘图（matplotlib）和对数据的建模（sklearn）在python中全都能找到对应的库来进行处理，所以，要想学习AI而不懂python，那就相当于想学英语而不认识单词，所以，python学起来吧。
那么要想学人工智能，想学python，那些东西要学习呢，下面给大家简单介绍下：
首先，你要学python如何爬取数据，你要做数据分析、数据建模，起码你要有数据，这些数据来源有多种方法，但是很多都来自网络，这就是爬虫。
爬虫：requests、scrapy、selenium、beautifulSoup，这些库都是写网络爬虫需要使用到的，好好掌握这些东西，数据就有了。
然后，有了数据就可以进行数据处理和分析了，这个时候，你需要用到数据处理的一些库。
数据处理：Numpy、scipy、pandas、matplotlib，这些库分别可以进行矩阵计算、科学计算、数据处理、绘图等操作，有了这些库，你就可以一步步开始把数据处理成你需要的格式。
接着，数据符合你的格式以后，你就需要利用这些数据进行建模了，这个时候你用到的库也有很多。
建模：nltk、keras、sklearn，这些库主要是用于自然语言处理、深度学习和机器学习的，把这些用好了，你的模型就构建出来了。
最后，如果你的项目是基于python开发的线上系统，你还可以学一学python的web开发，这样，你做的模型还能直接用在线上系统。
Web开发：django、flask、tornado，这些库搞明白了，你web开发也就搞定了。
以上只是你入门要学习人工智能所要掌握的一些基本的库，要想真正使用起来，你可能需要花费很多时间去研究和学习这里面的每一个细节，不过，有句话叫“人生苦短，我用python”，之所以这么说是因为python在实现各个功能的时候要远比其他语言简练的多，很多功能在python中只需要一行代码搞定，但是在java中你可能需要写好多好多代码才能实现。
就拿一个简单的例子，读写文件来说吧：
Python读写文件：
//读文件 with open("readFile", "r") as inFile: for line in inFile.readlines(): print line ... //写文件 with open("writeFile", "w") as outFile: outFile.write("...")Java读写文件：
import java.io.InputStreamReader; import java.io.FileInputStream; import java.io.FileReader; import java.io.FileWriter; import java.io.BufferedWriter; import java.io.File; BufferedReader br1 = new BufferedReader(new InputStreamReader(new FileInputStream("read_file1"))); BufferedReader br2 = new BufferedReader(new FileReader("read_file2")); String line = null; while((line = br1.readLine())!=null){ System.out.println(line); ... } File outfile = new File("write_file"); if (!file.exists()){ file.createNewFile(); } //true = append file FileWriter fileWritter = new FileWriter(file.getName(),true); BufferedWriter bufferWritter = new BufferedWriter(fileWritter); bufferWritter.write(data); bufferWritrer.flush();bufferWritter.close();各位学习AI的同胞们，你们看到了吧，就是一个简单的读写文件，java的操作要比python复杂太多太多！
在真实的工作中，我们需要做的事情是把大量的精力集中在数据上、数据分析和理解上，而不是花费30%-50%的时间去写代码，python不光是提供了机器学习所需要的一切工具库，还能让你专注在数据处理和分析上，所以，要学习和进入人工智能行业的话，好好学习python吧，骚年！
最后，附上一张今年语言排行榜。
如果你想在AI这个行业混，就要用 Python。
这次小象学院推出的视频教程《Python人工智能》，将带你迅速成长为实战型AI工程师。
更重要的是，课程从九大案例展开，在案例实操中带你走完AI工程师的成长进阶之路！
人工智能python篇2:2017最受欢迎人工智能编程语言：Python第一，R并未上榜
转自新智元
新智元编译 来源：ranked.com
编译：刘小芹
【新智元导读】人工智能（AI）已经成为一个热门话题，也是一个大的研究领域，每个巨头科技公司以及创业公司都在其中努力。这是一个非常广泛的话题，从基本的计算器、自我导航技术到能够彻底改变未来的具有自我意识的机器人。开发相当于或超过人类智能的系统是AI的关键。Rankred 网站发布了该网站评出的2017年7大最好的人工智能编程语言。
7. Haskell
Haskell 是1990年开发的强静态类型，非限定性编程语言。由于Haskell开发人员不多，小公司很少尝试Haskell。
Haskell 做得很好的是抽象（抽象数学，而不是Java OOP）。它允许具有表达性的、高效的库表达AI算法。例如，HLearn使用常见的代数结构（模块，单群等）来表达和提高简单机器学习算法速度。
虽然你可以用任何语言编写这些算法，但Haskell相比其他语言更具表现力，同时保持不错的性能。例如，Haskell写的faster cover trees 。
Haskell支持领域特定语言(embedded domain-specific languages)，这是一个着名的编程语言研究领域，适用于包括人工智能在内的许多领域。具体来说，它对概率编程来说很好，并能帮助开发人员在编译时发现错误。
该语言具有CUDA绑定，并被编译为字节码（bytecode）。由于函数编程和静态，代码可以轻松地在云上的不同CPU上执行。行业采用方面，Facebook使用Haskell打击垃圾邮件。
6. JavaScript
JavaScript 是一种高级、面向对象的直译语言，主要用于使网页交互和创建在线程序，包括游戏。
在JavaScript中，学习对话模型并不重要。学习服务器端的数据，然后通过Ajax调用学习者进行预测。 JavaScript有很多好用的库，我们总结其中3个：
ConventJS：实现深度学习的库——在浏览器中训练卷积神经网络。它支持完全连接的层以及非线性神经网络模块，分类和回归成本函数。
Synaptic：一个用于node.js.的神经网络库。 其通用算法是无架构的，可以用于开发和训练几乎所有类型的一阶和二阶神经网络架构。
Mind：它使用矩阵实现来处理训练数据。你可以完全自定义网络拓扑和上传/下载已学习的minds。
简而言之，你不必重新造轮子，只需确定AI要做什么类型的“learning”。
5. Prolog
Prolog是一种与计算语言和人工智能相关的逻辑编程语言和语义推理引擎。它具有灵活而且强大的框架，被广泛应用于定理证明，非数字编程，自然语言处理和AI。
Prolog 是一种具有形式逻辑的声明语言。AI开发者重视其预设计的搜索机制，非确定性，回溯机制，递归性质，高级抽象和模式匹配。
Prolog非常适合涉及结构化对象及其关系的问题。例如，在Prolog中，更容易表达对象之间的空间关系，比如表达“绿色的三角形在蓝色的后面”。说明一般规则也很简单，例如表达“对象A比对象B更靠近人，而B比C更近，则A应该比C更近”。
Prolog的性质使得实现事实（facts）和规则（rules）变得简单直接。实际上，Prolog中的一切都是事实或规则。它允许你查询数据库，即使你已具有上述这些事实和规则。
Prolog支持开发图形用户界面，管理和网络应用程序。它非常适合语音控制系统等项目。
4. Java
在Java中编程AI的好处：很好地支持大型项目，更好的用户交互，调试易用性，便于可视化以及Swing和Standard Widget Toolkit的并入。
其主要优点是通用性——如果你是初学者，互联网上可提供上千种有用的教程（免费），使你的学习更轻松，更高效。
Java开发的一些著名应用程序：
WEKA 机器学习套件：专门用于机器学习和数据挖掘
JOONE：用于设计，训练和测试神经网络
ALICE（artificial linguistic internet computer entity的缩写）：自然语言处理chatbot
Robocode：一个用于学习Java编程原理的开源游戏
3. Lisp
Lisp是最早的（1958年开发的）编程语言之一，由John MaCarthy博士创造，John MaCarthy也是创造“人工智能”这个术语的人。虽然近年来Lisp没有被很多人使用，但该语言既灵活又具有可扩展性。
Lisp最初是针对Lambda演算开发的，诞生以来发生了很多演变。该语言在计算机科学中引入了许多想法，如递归，动态类型，高级函数，自动内存管理，自主（self hosting）编译器和树结构（tree data structure）。
Lisp用于开发人工智能软件，因为它支持使用符号计算的程序的实现。符号表达和计算是Lisp擅长的。
此外，Lisp由一个宏系统，可以生成高效代码的开发良好的编译器，以及一组集合类型，包括哈希表和动态大小列表组成。
Lisp开发的有数以千计的AI应用程序，包括：
美国运通的授权人助理，用于检查交易（信用卡）
METAL，一种自然语言翻译系统
Macsyma，第一个大型计算机代数系统
ACL2，AMD使用的定理证明程序
2. C
C 比其他语言更快——它在硬件层进行通信的能力允许你改进代码执行时间。这对在意耗时的人工智能项目非常有用。它可以用于统计AI方法，如神经网络中的。
由于执行时间和OOP原则更快，C 本身就是AI程序的好选择。事实上，大部分机器学习和深度学习库都是用C / C 编写的，并提供相同语言的API和为其他编程语言提供封装。
如果你想控制运行时间和性能，C 显然是一个很好的选择。 模板（template）使用更安全，它们提供了更好的推广API的方法。虽然模板是一种强大的技术，可以简化很多事情，但需要更多的时间和经验来决定何时使用它们。
该语言覆盖了3D游戏的复杂性，优化资源管理，并通过网络促进多人游戏。一个真实的例子是科幻游戏Doom 3，它使用C 和虚拟引擎，一套游戏开发工具（用C 编写）。Microsoft Windows，Mac OS，Adobe Photoshop，Maya 3D软件，CAD，Mozilla Firefox等都是使用C 的著名应用程序。
1. Python
Python专注于DRY（don’t repeat yourself）和RAD（rapid application development）。Python开发于20世纪90年代初，由于其可扩展性，适应性和易于学习而成为增长最快的编程语言之一。
Python有数百个库可以使任何类型的项目成为可能，无论是移动应用程序，Web应用程序，数据科学还是人工智能。例如，用于科学计算的“Numpy”，用于机器学习的“Pybrain”，用于高级计算的“Scipy”和用于人工智能的“AIMA”。
Python的整体语言设计，低级和高级编程的平衡，模块化编程和测试框架使其不同于其他语言。Python的另一个优势是快速原型设计。在Python中，几乎所有的想法都可以通过30-40行代码快速验证。
编译来源：https://www.rankred.com/best-artificial-intelligence-programming-language/
