Cuando Google decidiría sobre su infraestructura de aprendizaje automático, el ecosistema de Python no estaba en ninguna parte en comparación con hoy. Ya tienes numpy, numba, cython, theano, cffi, scikit learn y otras cosas en Python. Puede escribir código de alto nivel y desplegar el código C de bajo nivel para partes críticas. A menos que vaya a escribir código de aprendizaje automático que funcione en Terabytes de datos, Python con los servidores de hoy en día con una gran RAM y múltiples CPU / GPU debería ser lo suficientemente bueno para la mayoría de los problemas.
Si tiene ganas de trabajar en un lenguaje de bajo nivel (puedo entender porque también tengo ese picor), le insto a que pruebe lenguajes de bajo nivel como D, Nim o algo como Julia o futhark y contribuya a su ecosistema de aprendizaje automático. . La razón es que Python te mima con todas las ventajas que ofrece y la codificación en C ++ simplemente se siente muy diferente. Estos nuevos lenguajes están hechos para que uno pueda divertirse como Python en un sistema de bajo nivel y sentirse mejor.
Si está atascado con la escritura de un sistema distribuido que maneja millones de solicitudes de aprendizaje automático y capacitación en miles de millones de puntos de datos, todavía tiene opciones como spark mllib, etc., pero creo que C ++ es su mejor opción en ese caso, y debe tomar arriba
- ¿Es posible escribir un método que muestre todos los elementos en una lista enlazada circular?
- ¿Cuál es la intuición de que la factorización no es NP completa?
- ¿Debería entrenarme para implementar estructuras de datos y algoritmos, excepto los simples programas tipo 'Hola mundo'?
- ¿Qué tipo de algoritmo utiliza Google para clasificar los correos?
- ¿Cuál de estos me dará la mejor oportunidad para usar los algoritmos y las estructuras de datos que se enseñan en el desarrollo web de la escuela o el desarrollo móvil?
