谷歌的AI擊敗了一位圍棋大師，是一種衡量人工智能突然的快速發(fā)展的方式，也揭示了這些技術(shù)如何發(fā)展而來和將來可以如何發(fā)展。

人工智能是一種未來性的技術(shù)，目前正在致力于研究自己的一套工具。一系列的進(jìn)展在過去的幾年中發(fā)生了：無事故駕駛超過300000英里并在三個(gè)州合法行駛迎來了自動駕駛的一個(gè)里程碑；IBM Waston擊敗了Jeopardy兩屆冠軍;統(tǒng)計(jì)學(xué)習(xí)技術(shù)從對消費(fèi)者興趣到以萬億記的圖像的復(fù)雜數(shù)據(jù)集進(jìn)行模式識別。這些發(fā)展必然提高了科學(xué)家和巨匠們對人工智能的興趣，這也使得開發(fā)者們了解創(chuàng)建人工智能應(yīng)用的真實(shí)本質(zhì)。

開發(fā)這些需要注意的第一件事是：

哪一種編程語言適合人工智能？

你所熟練掌握的每一種編程語言都可以是人工智能的開發(fā)語言。

人工智能程序可以使用幾乎所有的編程語言實(shí)現(xiàn)，最常見的有：Lisp,Prolog,C/C++，近來又有Java，最近還有Python.

LISP

像LISP這樣的高級語言在人工智能中備受青睞，因?yàn)樵诟鞲咝６嗄甑难芯亢筮x擇了快速原型而舍棄了快速執(zhí)行。垃圾收集，動態(tài)類型，數(shù)據(jù)函數(shù)，統(tǒng)一的語法，交互式環(huán)境和可擴(kuò)展性等一些特性使得LIST非常適合人工智能編程。

PROLOG

這種語言有著LISP高層和傳統(tǒng)優(yōu)勢有效結(jié)合，這對AI是非常有用的。它的優(yōu)勢是解決“基于邏輯的問題”。Prolog提供了針對于邏輯相關(guān)問題的解決方案，或者說它的解決方案有著簡潔的邏輯特征。它的主要缺點(diǎn)（恕我直言）是學(xué)起來很難。

C/C++

就像獵豹一樣，C/C++主要用于對執(zhí)行速度要求很高的時(shí)候。它主要用于簡單程序，統(tǒng)計(jì)人工智能，如神經(jīng)網(wǎng)絡(luò)就是一個(gè)常見的例子。Backpropagation 只用了幾頁的C/C++代碼，但是要求速度，哪怕程序員只能提升一點(diǎn)點(diǎn)速度也是好的。

JAVA

新來者，Java使用了LISP中的幾個(gè)理念，最明顯的是垃圾收集。它的可移植性使它可以適用于任何程序，它還有一套內(nèi)置類型。Java沒有LISP和Prolog高級，又沒有C那樣快，但如果要求可移植性那它是最好的。

PYTHON

Python是一種用LISP和JAVA編譯的語言。按照Norvig文章中對Lips和Python的比較，這兩種語言彼此非常相似，僅有一些細(xì)小的差別。還有JPthon，提供了訪問Java圖像用戶界面的途徑。這是PeterNorvig選擇用JPyhton翻譯他人工智能書籍中程序的的原因。JPython可以讓他使用可移植的GUI演示，和可移植的http/ftp/html庫。因此，它非常適合作為人工智能語言的。

在人工智能上使用Python比其他編程語言的好處

優(yōu)質(zhì)的文檔

平臺無關(guān)，可以在現(xiàn)在每一個(gè)*nix版本上使用

和其他面向?qū)ο缶幊陶Z言比學(xué)習(xí)更加簡單快速

Python有許多圖像加強(qiáng)庫像Python Imaging Libary,VTK和Maya 3D可視化工具包，Numeric Python, Scientific Python和其他很多可用工具可以于數(shù)值和科學(xué)應(yīng)用。

Python的設(shè)計(jì)非常好，快速，堅(jiān)固，可移植，可擴(kuò)展。很明顯這些對于人工智能應(yīng)用來說都是非常重要的因素。

對于科學(xué)用途的廣泛編程任務(wù)都很有用，無論從小的shell腳本還是整個(gè)網(wǎng)站應(yīng)用。

最后，它是開源的。可以得到相同的社區(qū)支持。

AI的Python庫

總體的AI庫

AIMA：Python實(shí)現(xiàn)了從Russell到Norvigs的“人工智能：一種現(xiàn)代的方法”的算法

pyDatalog：Python中的邏輯編程引擎

SimpleAI：Python實(shí)現(xiàn)在“人工智能：一種現(xiàn)代的方法”這本書中描述過的人工智能的算法。它專注于提供一個(gè)易于使用，有良好文檔和測試的庫。

EasyAI：一個(gè)雙人AI游戲的python引擎（負(fù)極大值，置換表、游戲解決）

機(jī)器學(xué)習(xí)庫

PyBrain 一個(gè)靈活，簡單而有效的針對機(jī)器學(xué)習(xí)任務(wù)的算法，它是模塊化的Python機(jī)器學(xué)習(xí)庫。它也提供了多種預(yù)定義好的環(huán)境來測試和比較你的算法。

PyML 一個(gè)用Python寫的雙邊框架，重點(diǎn)研究SVM和其他內(nèi)核方法。它支持Linux和Mac OS X。

scikit-learn旨在提供簡單而強(qiáng)大的解決方案，可以在不同的上下文中重用：機(jī)器學(xué)習(xí)作為科學(xué)和工程的一個(gè)多功能工具。它是python的一個(gè)模塊，集成了經(jīng)典的機(jī)器學(xué)習(xí)的算法，這些算法是和python科學(xué)包（numpy,scipy.matplotlib）緊密聯(lián)系在一起的。

MDP-Toolkit這是一個(gè)Python數(shù)據(jù)處理的框架，可以很容易的進(jìn)行擴(kuò)展。它海收集了有監(jiān)管和沒有監(jiān)管的學(xué)習(xí)算飯和其他數(shù)據(jù)處理單元，可以組合成數(shù)據(jù)處理序列或者更復(fù)雜的前饋網(wǎng)絡(luò)結(jié)構(gòu)。新算法的實(shí)現(xiàn)是簡單和直觀的。可用的算法是在不斷的穩(wěn)定增加的，包括信號處理方法（主成分分析、獨(dú)立成分分析、慢特征分析），流型學(xué)習(xí)方法（局部線性嵌入），集中分類，概率方法（因子分析，RBM),數(shù)據(jù)預(yù)處理方法等等。

自然語言和文本處理庫

NLTK 開源的Python模塊，語言學(xué)數(shù)據(jù)和文檔，用來研究和開發(fā)自然語言處理和文本分析。有windows,Mac OSX和Linux版本。

案例

做了一個(gè)實(shí)驗(yàn)，一個(gè)使用人工智能和物聯(lián)網(wǎng)做員工行為分析的軟件。該軟件通過員工情緒和行為的分心提供了一個(gè)有用的反饋給員工，從而提高了管理和工作習(xí)慣。

使用Python機(jī)器學(xué)習(xí)庫，opencv和haarcascading概念來培訓(xùn)。建立了樣品POC來檢測通過安置在不同地點(diǎn)的無線攝像頭傳遞回來基礎(chǔ)情感像幸福，生氣，悲傷，厭惡，懷疑，蔑視，譏諷和驚喜。收集到的數(shù)據(jù)會集中到云數(shù)據(jù)庫中，甚至整個(gè)辦公室都可以通過在Android設(shè)備或桌面點(diǎn)擊一個(gè)按鈕來取回。

開發(fā)者在深入分析臉部情感上復(fù)雜點(diǎn)和挖掘更多的細(xì)節(jié)中取得進(jìn)步。在深入學(xué)習(xí)算法和機(jī)器學(xué)習(xí)的幫助下，可以幫助分析員工個(gè)人績效和適當(dāng)?shù)膯T工/團(tuán)隊(duì)反饋。

結(jié)論

python因?yàn)樘峁┫?scikit-learn的好的框架，在人工智能方面扮演了一個(gè)重要的角色：Python中的機(jī)器學(xué)習(xí)，實(shí)現(xiàn)了這一領(lǐng)域中大多的需求。D3.js JS中數(shù)據(jù)驅(qū)動文檔時(shí)可視化最強(qiáng)大和易于使用的工具之一。處理框架，它的快速原型制造使得它成為一門不可忽視的重要語言。AI需要大量的研究，因此沒有必要要求一個(gè)500KB的Java樣板代碼去測試新的假說。python中幾乎每一個(gè)想法都可以迅速通過20-30行代碼來實(shí)現(xiàn)（JS和LISP也是一樣）。因此，它對于人工智能是一門非常有用的語言。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持VEVB武林網(wǎng)。