Python es el lenguaje de facto y mainstream para ML en estos días. Probablemente deberías estar usándolo en su mayor parte.
¿Qué tan grande será tu aplicación? Si de hecho es más que una aplicación, tal vez una plataforma, creo que realmente debería considerar Scala y C ++. La mayoría de las bibliotecas ML en Python son envoltorios para bibliotecas C ++. Por lo tanto, aprender a desarrollar y ampliar la fuente C ++ puede ser una gran ventaja.
Actualmente también hay un proyecto de etapas iniciales llamado Scala-native que tiene la capacidad de compilar un subconjunto moderadamente grande de código Scala existente en binarios nativos. Creo que este proyecto se puede adaptar para escribir bibliotecas nativas rápidas de manera similar a cómo se crean las bibliotecas de envoltura C / C ++ para Python.
- ¿El aprendizaje automático o los algoritmos de aprendizaje se pueden aplicar a problemas de optimización?
- ¿Por qué se hace referencia a la validación como 'dev' en algunos ejemplos de programas de aprendizaje automático?
- ¿Qué formación matemática se necesita para aprender Deep Learning?
- Si ya hemos conocido una función, ¿podemos generar una red neuronal para la inferencia, sin pasar por el proceso de capacitación que consume tiempo y energía?
- ¿Cuál es el poder computacional de las redes neuronales no recurrentes frente a las redes neuronales recurrentes?
Envolviendo C / C ++ para Python
http: // advanced-software-carpent …
Usando este enfoque, casi todo su código frontal se puede desarrollar en Python, y tendría más opciones de idioma para sus bibliotecas de contenedor. Python es un buen lenguaje de desarrollo rápido, y tiene una buena variedad de herramientas, y tiene una gran base de usuarios contribuyentes.