Serie temporali - Linguaggi di programmazione

Una conoscenza di base di qualsiasi linguaggio di programmazione è essenziale per un utente per lavorare o sviluppare problemi di apprendimento automatico. Di seguito viene fornito un elenco dei linguaggi di programmazione preferiti per chiunque desideri lavorare sull'apprendimento automatico:

Pitone

È un linguaggio di programmazione interpretato di alto livello, veloce e facile da codificare. Python può seguire paradigmi di programmazione procedurali o orientati agli oggetti. La presenza di una varietà di librerie rende più semplice l'implementazione di procedure complicate. In questo tutorial, codificheremo in Python e le librerie corrispondenti utili per la modellazione di serie temporali saranno discusse nei prossimi capitoli.

R

Simile a Python, R è un linguaggio multi-paradigma interpretato, che supporta il calcolo statistico e la grafica. La varietà di pacchetti semplifica l'implementazione della modellazione di machine learning in R.

Giava

È un linguaggio di programmazione orientato agli oggetti interpretato, ampiamente famoso per un'ampia gamma di disponibilità di pacchetti e sofisticate tecniche di visualizzazione dei dati.

C / C ++

Questi sono linguaggi compilati e due dei più vecchi linguaggi di programmazione. Questi linguaggi sono spesso preferiti per incorporare funzionalità ML nelle applicazioni già esistenti in quanto consentono di personalizzare facilmente l'implementazione degli algoritmi ML.

MATLAB

MATrix LABoratory è un linguaggio multi-paradigma che consente di lavorare con le matrici. Consente operazioni matematiche per problemi complessi. Viene utilizzato principalmente per operazioni numeriche, ma alcuni pacchetti consentono anche la simulazione grafica multi-dominio e la progettazione basata su modelli.

Altri linguaggi di programmazione preferiti per problemi di apprendimento automatico includono JavaScript, LISP, Prolog, SQL, Scala, Julia, SAS ecc.