Trở lại năm 1991 khi Guido van Rossum phát hành Python như một dự án phụ của mình, ông không ngờ rằng nó sẽ là ngôn ngữ máy tính phát triển nhanh nhất thế giới trong tương lai gần. Nếu chúng ta đi theo xu hướng, Python sẽ trở thành ngôn ngữ goto để tạo mẫu nhanh
Tín dụng hình ảnh. tràn ngăn xếp
Tín dụng hình ảnh.
Tuyên bố từ khảo sát nhà phát triển StackOverflow 2017
“Trăn trở thành ngôn ngữ được mong muốn nhất trong năm nay”
Tại sao xu hướng này?
Nếu chúng ta nhìn vào triết lý của ngôn ngữ Python, bạn có thể nói rằng ngôn ngữ này được xây dựng để dễ đọc và ít phức tạp hơn. Bạn có thể dễ dàng hiểu nó và làm cho ai đó hiểu rất nhanh
Bạn có thể đọc nó cho chính mình. Chỉ cần sử dụng lệnh dưới đây trong Python
Nhập cái này
Python cũng chiếm được cảm tình của người dùng. Theo khảo sát dành cho nhà phát triển Hackerrank 2018[https. //nghiên cứu. hackerrank. com/developer-skills/2018/] “JavaScript có thể là ngôn ngữ được các nhà tuyển dụng yêu cầu nhiều nhất, nhưng Python chiếm được cảm tình của các nhà phát triển ở mọi lứa tuổi, theo chỉ số Yêu-Ghét của chúng tôi. ”
Tại sao trong Machine Learning?
Bây giờ hãy hiểu tại sao mọi người chỉ muốn sử dụng Python trong thiết kế bất kỳ dự án Machine Learning nào. Học máy, theo thuật ngữ thông thường, là sử dụng dữ liệu để khiến máy đưa ra quyết định thông minh. Ví dụ: Bạn có thể xây dựng thuật toán phát hiện thư rác trong đó các quy tắc có thể được học từ dữ liệu hoặc phát hiện sự bất thường của các sự kiện hiếm gặp bằng cách xem dữ liệu trước đó hoặc sắp xếp email của bạn dựa trên các thẻ bạn đã chỉ định bằng cách tìm hiểu về lịch sử email, v.v.
Học máy không gì khác ngoài việc nhận ra các mẫu trong dữ liệu của bạn
Nhiệm vụ quan trọng của một kỹ sư Máy học trong cuộc đời làm việc của anh ấy / cô ấy là trích xuất, xử lý, xác định, làm sạch, sắp xếp và sau đó hiểu dữ liệu để phát triển các thuật toán thông minh
Vì vậy, đối với một kỹ sư Máy học/Kỹ sư Thị giác Máy tính như tôi hoặc một Nhà khoa học dữ liệu/Học máy/Kỹ sư thuật toán/Kỹ sư học sâu, tại sao tôi lại khuyên dùng Python, vì nó dễ hiểu
Đôi khi các khái niệm về Đại số tuyến tính, Giải tích phức tạp đến mức chúng cần nỗ lực tối đa. Việc triển khai nhanh trong Python giúp kỹ sư ML xác thực một ý tưởng
Dữ liệu là chìa khóa
Vì vậy, nó hoàn toàn phụ thuộc vào loại nhiệm vụ mà bạn muốn áp dụng Học máy. Tôi làm việc trong các dự án thị giác máy tính. Vì vậy, dữ liệu đầu vào đối với tôi là hình ảnh hoặc video. Đối với người khác, đó sẽ là một chuỗi các điểm theo thời gian hoặc tập hợp các tài liệu ngôn ngữ trải rộng trên nhiều miền hoặc tệp âm thanh được cung cấp hoặc chỉ một số
Hãy tưởng tượng mọi thứ tồn tại xung quanh bạn là dữ liệu. Và nó thô, không có cấu trúc, xấu, không đầy đủ, lớn. Làm thế nào Python có thể giải quyết tất cả chúng?
Gói, gói ở khắp mọi nơi
Có, bạn đoán đúng. Đó là bộ sưu tập và ngăn xếp mã của các kho nguồn mở khác nhau được phát triển bởi mọi người [vẫn đang trong quá trình] để liên tục cải thiện các phương pháp hiện có
Muốn làm việc với hình ảnh — numpy, opencv, scikit
Muốn làm việc trong văn bản — nltk, numpy, scikit
Muốn làm việc trong lĩnh vực âm thanh — librosa
Muốn giải quyết vấn đề máy học — pandas, scikit
Muốn xem dữ liệu rõ ràng — matplotlib, seaborn, scikit
Muốn sử dụng deep learning — tensorflow, pytorch
Muốn làm tính toán khoa học — scipy
Muốn tích hợp các ứng dụng web — Django
Muốn tắm…. Cái giếng
Điều tốt nhất khi sử dụng các gói này là chúng không có đường cong học tập. Khi bạn đã hiểu cơ bản về Python, bạn có thể triển khai nó. Chúng được sử dụng miễn phí theo giấy phép GNU. Chỉ cần nhập gói và sử dụng
Nếu bạn không muốn sử dụng bất kỳ chức năng nào trong số chúng, bạn có thể dễ dàng triển khai chức năng này từ đầu [điều mà hầu hết các nhà phát triển đều làm]
Tín dụng hình ảnh. Cập nhật XKCD
Vâng, nó không nhanh và chiếm nhiều dung lượng hơn nhưng…
Lý do chính hoặc lý do duy nhất khiến Python không bao giờ được sử dụng rộng rãi là do chi phí hoạt động mà nó mang lại. Nhưng để rõ ràng, nó không bao giờ được xây dựng cho hệ thống mà cho khả năng sử dụng. Bộ xử lý nhỏ hoặc phần cứng bộ nhớ thấp sẽ không hỗ trợ cơ sở mã Python ngày nay, nhưng đối với những trường hợp như vậy, chúng tôi có C và C++ làm công cụ phát triển của mình
Trong trường hợp của tôi, khi chúng tôi triển khai thuật toán [Mạng thần kinh] cho một tác vụ cụ thể, chúng tôi sử dụng python[tensorflow]. Nhưng để triển khai trong các hệ thống thực, nơi tốc độ quan trọng, chúng tôi chuyển sang C
Easter egg — Cython đã được phát triển trong nhiều năm. [https. // vi. wikipedia. tổ chức/wiki/Cython]. Bạn có được khả năng đọc của Python, nhưng hiệu quả của C
Nói đủ rồi, bây giờ hãy chỉ đường cho tôi
Bây giờ chúng ta biết tại sao. Hãy xem cách
- Hiểu các khái niệm cơ bản về Cấu trúc dữ liệu
Trước khi nhảy vào bất kỳ lĩnh vực nào của khoa học máy tính, điều rất quan trọng là phải hiểu cách máy nhận biết dữ liệu. Đơn vị nguyên tử của giá trị trong C là 1 byte. Sử dụng cùng một byte, chúng ta có thể mã hóa từng đầu vào từ vũ trụ. Nếu sau đó tôi lập một danh sách mọi thứ, hãy chuyển đến từng triển khai cấu trúc dữ liệu. Hướng dẫn này [https. //www. chuyên viên máy tính. org/data-structures/] sẽ là một điểm khởi đầu tốt
- Tìm hiểu python một cách khó khăn
Khi bạn đã hiểu những kiến thức cơ bản, hãy tham gia loạt bài hướng dẫn Tìm hiểu Python một cách khó khăn của Zed Shaw. Một trong những câu nói trong cuốn sách cho bạn biết rằng đường khó sẽ dễ hơn. Nền móng phải luôn vững chắc
[Học Python theo cách khó]
- Học máy - Vấn đề triển khai
Việc triển khai thuật toán phân cụm sẽ giúp bạn hiểu rõ hơn về vấn đề sau đó chỉ cần đọc thuật toán. Ở đây, khi người dùng triển khai mọi thứ trong Python, việc tạo nguyên mẫu mã và kiểm tra mã sẽ nhanh hơn nhiều. Một trường hợp đơn giản của K có nghĩa là phân cụm được giải thích trong blog sau - K có nghĩa là trong Python
- Đơn giản là tốt nhất
Bất cứ khi nào bạn triển khai một đoạn mã, hãy luôn nhớ rằng luôn có mã được tối ưu hóa tương đương. Tiếp tục hỏi các đồng nghiệp của bạn rằng liệu họ có thể hiểu chức năng cơ bản chỉ bằng cách nhìn thấy ngăn xếp mã không. Việc sử dụng các biến có ý nghĩa, tính mô-đun của mã, nhận xét, không mã hóa cứng là các lĩnh vực quan trọng giúp cho một đoạn mã hoàn chỉnh
Còn những người khác thì sao?Các khuôn khổ phổ biến nhất trên thế giới dành cho nhà khoa học dữ liệu là Excel và SAS. Vấn đề khi sử dụng chúng là chúng không thể xử lý các tập dữ liệu lớn và ít hỗ trợ cộng đồng hơn cho nhiều mục đích sử dụng khác nhau. e. Bạn không thể sử dụng Excel để xử lý dữ liệu thô của công ty
MATLAB cũng cung cấp các thư viện và gói tuyệt vời cho các tác vụ phân tích hình ảnh cụ thể. Bạn có thể tìm thấy rất nhiều hộp công cụ cho nhiệm vụ nhất định. Nhược điểm chính của việc sử dụng MATLAB là nó rất chậm [thời gian thực hiện chậm]. Nó không thể được sử dụng trong triển khai mà chỉ dùng để tạo mẫu. Ngoài ra, nó không miễn phí sử dụng, không giống như python mở
Một công cụ tuyệt vời khác là R. Đó là mã nguồn mở, miễn phí và được tạo ra để phân tích thống kê. Theo quan điểm của tôi, Python là một công cụ tuyệt vời để phát triển các chương trình thực hiện thao tác dữ liệu trong khi R là một phần mềm thống kê hoạt động trên một định dạng tập dữ liệu cụ thể. Python cung cấp các công cụ phát triển khác nhau có thể được sử dụng để làm việc với các hệ thống khác
R có một đường cong học tập với nó. Các chức năng được xác định trước cần đầu vào được xác định trước. Trong Python, bạn có thể chơi xung quanh dữ liệu
Kết thúcChà, nếu chúng ta tập trung vào nhiệm vụ tổng thể cần thiết để đào tạo, xác thực và kiểm tra các mô hình - miễn là nó đáp ứng được mục đích của vấn đề, thì bất kỳ ngôn ngữ/công cụ/khuôn khổ nào cũng có thể được sử dụng. Có thể là trích xuất dữ liệu thô từ API, phân tích nó, thực hiện trực quan hóa chuyên sâu và tạo bộ phân loại cho tác vụ đã cho