Python es un concepto de 25 años que evolucionó con el tiempo, pero los principales paradigmas siguen el conocimiento válido del momento de su creación. En general, la comunidad de Python es grande, de acuerdo con el índice TIOBE, está dentro del lenguaje popular TOP 10 con una tendencia creciente. Las bibliotecas de Python son más maduras y, desde esa perspectiva, también están más listas para la producción. El código Python es fácil de leer, eso ayuda a comprender la lógica subyacente. Sin embargo, Python es excelente como herramienta rápida de creación de prototipos, o en una situación en la que se prefiere un código fácil de escribir y fácil de mantener. Para el procesamiento de datos en tiempo real o grande, el código crítico se transferirá tarde o temprano a un lenguaje estático como C. Los proyectos como Scipy, Numpy, Matplotlib, Pandas o Scikit-learn son los más utilizados. Para leer más, le recomiendo: Los 20 principales proyectos de código abierto de Python Machine Learning
Go tiene la ventaja de ser un lenguaje joven que intenta en su diseño y su biblioteca estándar refleja la arquitectura de software “de última generación”. El rendimiento de Go está entre C / C ++ y Java, veces más rápido que python. Sin embargo, la misma funcionalidad costará más líneas de código en comparación con Python. La principal desventaja es que algunas de sus características aún se pueden ajustar y la mayoría de sus bibliotecas de terceros incluyen. El aprendizaje automático también está evolucionando. Creo que vale la pena aprender y experimentar con Go, puede integrarse con python (o cualquier otro lenguaje dinámico), tenga cuidado al evaluar si ya está listo para la producción más allá de los proyectos internos, no críticos o experimentales.
Vale la pena consultar los siguientes recursos para obtener más información: Bibliotecas de aprendizaje automático en Go Language o Bibliotecas de aprendizaje automático en GoLang por categoría
- ¿Por qué la necesidad de depuración aún no se ha resuelto después de tantos desarrollos en tecnología, informática, algoritmos y aprendizaje automático?
- ¿Por qué el aprendizaje en estructuras de datos complejas (gráficos, árboles, etc.) está tan poco representado en el aprendizaje automático?
- ¿Qué significan las hipótesis finita e infinita en el aprendizaje automático? Cuáles son las diferencias entre ellos?
- Yoshua Bengio: ¿cuáles son las preguntas abiertas más importantes en el aprendizaje profundo?
- ¿Qué soluciones se están construyendo utilizando la tecnología IBM Watson?