如果您是机器学习的新手，您可能会想我应该学习什么编程语言？现在不同的人使用不同的编程语言，但是在众多流行的高级编程语言中，哪一种最适合机器学习？
机器学习是增长最快的领域之一，它见证了技术世界的指数级增长。机器学习没有最好的语言，这取决于你想构建什么，要在这个领域工作，你只需要根据自己的习惯、项目要求和偏好，只需要很好地学习一种特定的编程语言。只需探索其中一些最常用的语言并选择其中一种即可，您无需接受任何人的建议。
1.Python
Python领先所有其他语言，超过 60% 的机器学习开发人员正在使用它并优先开发它，因为Python易于学习。可扩展和开源。 Python有许多很棒的可视化包和有用的核心库，如 Numpy、scipy、pandas、matplotlib、seaborn、sklearn，它们确实让您的工作变得非常轻松并赋予机器学习能力。
- numpy的：数字Python或numpy的是一个用于Python的线性代数库具有用于多维数组和矩阵的有效计算强大的数据结构。
- Pandas ：它是最流行的Python库，可为数据分析提供高度优化的性能。
- Matplotlib ：它是一个流行的Python绘图库，用于创建基本图形，如折线图、条形图、直方图等等。
- Seaborn ：提供用于创建有吸引力的图形的高级界面
- sci-kit Learn：它用于数据挖掘和数据分析，它实现了广泛的机器学习算法，如分类、回归和聚类算法，包括支持向量机、随机森林、梯度提升、k-means。
2.Java
这种编程语言是“万事通”，并继续在 ML 行业占据主导地位。 Java提供了许多良好的环境，如 Weka、Knime、RapidMiner、Elka，它们曾经使用图形用户界面执行机器学习任务。
- Weka：它是一个免费的、可移植的库，主要用于数据挖掘、数据分析和预测建模，最适合机器学习算法。它易于与图形界面一起使用，并支持多种标准数据挖掘任务，包括数据预处理、分类、聚类和特征选择。
- JavaML：一种Java API，具有简单易用的接口，用于在Java实现机器学习和数据挖掘算法的集合，并清晰地编写并正确记录算法的实现。
- Deeplearning4j：它是一个创新的开源分布式深度学习库，它提供了一个广泛支持机器学习算法的计算框架。该库对于识别模式、情感、声音和文本非常有用，并且专为商业环境而设计。
- ELKI：它是一个独特的开源数据挖掘框架，主要专注于对数据挖掘算法和数据管理的独立评估，并强调无监督方法。它还允许任意数据类型、文件格式或距离或相似性度量。
3. C++
超快的 C++ 编程语言在机器学习领域也非常流行。大多数机器学习平台都支持这种强大的语言。如果您有一些使用 C++ 的良好工作知识，那么使用 C++ 学习机器学习是一个不错的主意。与大多数编程语言相比，C++ 效率更高。许多强大的库，如 TensorFlow 和 Torch，都是用 C++ 编程语言实现的，因此机器学习和 C++ 确实是一个很好的组合。
- TensoFlow ： Google 的开源 TensorFlow 用于使用数据流图在任何 CPU 或 GPU 上进行数值计算，并根据它获得的任何信息做出决策。
- Torch ：一个开源机器学习库，通过提供大量算法使科学和数值运算变得更容易。它使效率和速度变得更容易和提高。
- mlpack：一个超快、灵活的机器学习库，它使用 C++ 类提供尖端机器学习算法的快速和可扩展实现，可以集成到更大规模的机器学习解决方案中
4。R
R 是一种非常流行的编程语言，用于机器学习中的统计计算、分析和可视化。它是一种完美的基于图形的语言，用于通过 Facebook、Google 等的数据专业人员广泛使用的图表来探索统计数据。 尽管 R 在生物工程和生物医学统计中非常受欢迎，但它在实现机器学习（如回归、分类、和决策树的形成。
- xgboost：用于实现梯度提升框架，因其性能和速度而广受欢迎。它支持各种目标函数，如回归、分类和排名，并且是可扩展的，因此您可以轻松定义自己的目标。
- mlr：它是一个用于分类、回归和聚类问题的可扩展框架，并且通过 s3 继承具有易于扩展的机制。
- PARTY：这个包用于递归分区。该包用于基于条件推理算法构建决策树。这个包也很广泛，减少了训练时间和偏差。
- CARET：开发这个包是为了针对给定的业务问题结合几种不同算法的模型训练和预测，并帮助选择最佳的机器学习算法。
5. Javascript
它是使用最广泛的高级动态类型语言之一，具有灵活性和多范式。 Javascript 在 ML 中也非常流行，以至于像 Google 的 Tensorflow.js 这样的知名项目都基于 JavaScript。如果您是 Javascript 高手，那么从字面上看，您可以完成从全栈到机器学习和 NLP 的所有工作。
- Brain.js：它是一个 GPU 加速的，易于在 JavaScript 中集成神经网络，与浏览器中的 Node.js 一起使用，并提供多种神经网络实现来训练以做好不同的事情。它使用起来非常简单，您无需详细了解神经网络即可使用它。
- Tensorflow.js：它是一个流行的 JavaScript 机器学习库。您可以使用灵活的 API 直接在 JavaScript 中构建和训练模型，机器学习中的几乎所有问题都可以使用 Tensorflow.js 解决。您还可以使用自己的数据重新训练现有的 ML 模型。
- machinelearn.js：它是 Javascript 的救星，它替代了 Python 的 ScikitLearn 库。它为有监督和无监督学习提供聚类、分解、特征提取模型和实用程序。
- face-api.js：一个即用型 API，其中包括著名的人脸检测和识别模型的实现，该模型使用各种数据集进行了预训练。它使您可以灵活地直接插入任何 Node.js 和浏览器环境。作为轻量级，这个库可以在移动和网络浏览器上使用，没有问题。
在这些编程语言中， Python仍然是机器学习领域最受欢迎的语言。虽然像 JavaScript 这样的语言是后起之秀，加班也许可以达到顶峰。所以选择这些语言是一个很好的建议。