譯者：劉濤

人工智能（AI）和機器學習（ML）是我們日常生活的夥伴，很難想象沒有算法和統計模型會是怎樣一種生活。每當我們聽到機器學習這個詞時，首先想到的就是 Python。因為Python長期以來一直是機器學習的代言人，它在幫助實現機器學習的技術層面上發揮了重要作用。

Python可能是最優美的機器學習語言，有48.24%的開發人員使用它。由於Python具有強大便利的低級包和高級API接口，它在科學計算的所有領域中都具有無可比擬的優勢，但在用於特定任務時，它也有一些缺點。因此，對於Python替代語言的需求也越來越普遍。

目前，許多新興語言在性能上與Python相當，甚至比Python更好。所以它不再是機器學習的唯一選項。Scala，Julia，MQL5以及其他非 Python超集的語言可以用來開發和提供機器學習應用。因此機器學習不再侷限於Python。

本文將探討新機器學習語言的出現，以及它們如何侵蝕Python市場份額以及未來機器學習的變化。

性能和速度

Python開發速度很快，但是計算速度非常慢。它使用解釋器而非編譯器。由於執行順序代碼，它比其他的數據科學編程語言要慢。Python的速度比C慢，因為C有很多有用的工具和庫。除非你掌握了矢量化代碼，否則你會發現它是多麼的慢。

Cython是一個Python的超集，它將Python源代碼編譯成C語言代碼，最關鍵是提供了C語言級的運算速度，而無需額外的運算資源。很多程序員使用Cython編寫Python代碼的運行速度和C語言的一樣快，但是更簡潔易讀。

設計侷限

Python在設計方面存在著巨大的缺陷，這是由它的動態類型造成的。 通常編程語言中的動態類型變量不需要特別聲明。Python使用的是鴨子型，這種類型讓人困惑。在鴨子型中，一個對象的類或屬性沒有它的功能那麼重要。 鴨子型不需要類型檢查。 您也可以對進程或屬性進行驗證。

內存消耗效率低

Python由於其龐大的結構而佔用了大量內存。此外，Python數據類型在內存消耗方面很靈活。它不適用於內存密集型任務。其靈活的數據類型也會導致內存消耗。因此，當您創建大型且長期運行的Python系統時，Python中的內存管理變得具有挑戰性。

線程不足

與其他語言相比，Python線程效率更低。儘管Python是多線程處理任務，但每次只能執行一個線程。因此，多線程的 Python 提供了單線程的處理效率。Python有一個全局解釋器鎖 (GIL)，同一時間只允許一個線程使用。只有在Python使用原生庫的情況下，才能同時運行多線程。此外，Python的超集 Jython可以實現多線程，而Python則不行。

2.為什麼數據科學家要尋找Python替代者？

Python確實很棒。但它不可能同時既是閃電俠又是無敵浩克！有人可能需要閃電俠，有人可能需要綠巨人。用戶需求是多樣性的。同樣，Python也不是專為數學和數據科學應用而設計的。它需要一個像NumPy或Tensorflow這樣的第三方庫，專門用於深度學習算法。因此，與Python相比，數據專用編程語言更具優勢。

例如，在商業領域，機器學習需要速度和可擴展性以減少執行時間。您不能讓顧客等太久。因此，您需要更快的ML語言（通用函數式編程語言）來執行。速度越快越好。

現在，Python已經很快了，但還有什麼能比Python更快的呢？有的，它是Julia，或是Scala！

在這種情況下，數據科學家更喜歡使用與Python不同的編程語言。

3.數據科學的Python替代方案

在各種應用程序環境中，有幾種Python替代方案的性能與Python相當或優於Python。以下是一些Python數據科學的替代方案：

（1）Julia

Julia是一種全新的高級動態編程語言，具有創新性、快速性和舒適性。它是一種能夠編寫各種應用程序的通用語言。值得一提的是，其軟件包生態系統和功能有很大一部分都是面向高級數值計算的，非常適合機器學習。

Julia基於多種語言構建，包括C語言和Python、R和MATLAB等高級動態類語言。Julia汲取了這些語言的可選類型、語法和特性，因為Julia的目標是整合它們的優點並消除其缺點。

Julia的創造者希望開發出一種語言，可以像C語言一樣快速地處理科學計算、機器學習、數據挖掘、大規模線性代數、分佈式和並行計算。然而，他們最終開發出的語言速度更快。 儘管Python的速度越來越快，但Julia還是勝過了它。

Julia簡化了許多用於機器學習的數學符號。它提供諸如ArrayFire這樣的多樣化GPU編程包，它能使GPU執行通用代碼。每個包都有自己獨特的編程模式，比如， NVIDIA有CUDA. Jl，AMD有AMDGPU. jl和oneAPI。

機器學習工程師可以在大型集群中快速部署Julia，受益於其強大的工具，例如MLBase.jl、Flux.jl（深度學習）、MLJ.j（通用機器學習）和Knet.jl（深度學習）。Flux是 一個高速的深度機器學習庫，它預裝了額外的工具，使Julia的能力達到了最大化。 同樣，還包括適用於 ML應用程序的ScikitLearn.jl、TensorFlow.jl和MXNet.jl。

Julia擅長解決複雜的計算問題。因此，包括斯坦福大學和東京都立大學在內的眾多著名學府都開設了Julia課程。 它在與Python的比較中，性能也很穩固。

（2）Scala

像Logan Kilpatrick這樣的眾多行業高管認為，Julia是機器學習和數據科學的未來。

Julia的主要特點：

Julia的一些核心功能可實現高效的數據科學計算：

Julia的運算速度很快。它比Python快2-20倍；

靈活豐富的庫功能；

內置包管理器；

PyCall和CCall 包直接調用Python；

使用類似shell的功能管理其他進程；

為並行和分佈式計算而開發；

自動為各種參數類型生成高效代碼；

具有MIT許可證的免費和開源軟件。

Scala是一種與Java應用程序和庫兼容的Java虛擬機 (JVM) 語言。 因為它缺乏基本數據的概念，所以經常被認為是一種靜態語言。 它的多範式、多核架構很複雜。

ApacheSpark是一種功能強大、速度快的實時數據流和數據處理工具。Scala Spark有助於複雜的映射、ETL和大型數據處理任務。Scala允許用戶通過理解代碼來實現新的Spark功能。Scala與Java的兼容性使程序員能夠快速掌握面向對象的概念。

SparkMLlib包含了Spark中的高質量算法和出色的性能，使其成為可擴展的機器學習庫。分類、迴歸、聚類、協同過濾和降維都包含在Spark的MLlib機器學習庫中。此外，Breeze、Spire、Saddle和Scalalab是其他一些有助於創建強大的數據處理應用程序的ML庫。

ApacheKafka是一種開源分佈式事件流平臺，隨著Python的流行，Spark也開始大行其道。Scala Spark中執行緩慢的內容必然會在PySpark中崩潰。此外，您可以使用TensorFlow Scala庫為機器學習模型創建一個適應性強的高性能服務系統。

Scala的靜態類型有助於複雜的應用程序。它的JVM和JavaScript運行時使高性能系統能夠輕鬆訪問庫。此外，它的性能優於Python。 它也在與Python的比較中站穩了腳跟。

Scala的主要特點

Scala的一些核心功能可實現高效的數據科學計算：

Scala的速度比Python快10倍；

具備高級類型推斷機制；

樣例類（case class）和模式匹配；

擁有簡潔但易讀的表達性語法；

提供高階函數；

使用Singleton對象而不是靜態變量；

使用OOP、FP或混合風格的代碼；

Scala源代碼編譯為“. class”文件，該文件在JVM上執行。

（3）MQL5

MQL5是一種提供高級數據分析及機器學習功能的高級面向對象編程語言。它基於廣泛使用和廣為人知的編程語言C++之上，並以速度快、通用性強著稱。

MQL5不是像Python、Julia或Scala那樣的日常ML語言。 它專門為金融市場創造，用於監控金融工具。該語言的核心與其他語言相似，但具有獨特的功能。MQL5支持整數、布爾值、文字、字符串、日期、時間和枚舉。它把結構和類都定義為複雜數據類型。

MQL5語言說明文檔列出了函數、操作、保留字等。此外，它還提供了整數、布爾值、文字、字符串、日期和時間等數據類型。它有複雜的結構和類。 此外，該說明文檔還包括交易策略、控制面板、自定義視效和文件訪問等的標準庫類定義。

此外，MQL5擁有超過1,500個用於新應用開發的源代碼庫。 您可以使用包含大量數值分析函數的ALGLIB庫。同樣，還有用於處理時間序列的TimeSeries庫和用於開發模糊模型的Fuzzy庫以及其他各種庫。

MQL5是一種功能強大的編程語言，可以幫助您構建實時系統，提供可視化的決策幫助。MQL5 支持枚舉、結構、類和事件。通過增加主嵌入式函數的數量，MQL5程序可以與DLL進行通信。

MQL5具有與C++類似的語法，可以很容易地把用不同的編程語言編寫的程序轉換成MQL5程序。因此，在使用數據分析、人工智能或金融工具作為交易機器人時，您可以獲得與C++相同的效率。

MQL5的主要特點

MQL5的一些核心功能可實現高效的數據科學計算：

MQL5是以C++為基礎的。因此，其速度與C++相當，且超過Python；

專為金融市場的工具和分析而創建；

完全事件驅動；

1500多個源代碼庫；

可預定義標準常量和枚舉。服務架構存儲信息；

更改配色方案、創建控制面板、添加自定義交易品種以及從MQL5程序導出價格圖表；

12種新的繪圖樣式，512個緩衝區，以及從過去到未來的直接索引值計算；

在圖表和多幣種測試器中調試外匯智能交易系統（Expert Advisor）

4.您應該選擇哪種Python ML替代方案？

編程語言好比駕駛賽車，一部合適的汽車是必不可少的，司機就更不用說了。同樣，作為一名數據科學家，您正是這些獨特跑車的駕駛員。

每位數據科學家或開發人員對特定技術都有自己的要求和規範。最佳的技術選擇取決於您需要的視角和功能。因此，很難做出最終選擇。

如果您希望實現多進程的運算，而且要求非常高的運算速度，則可以選擇Julia。 它是三者中最快的。另一方面，如果您正在做大型項目，Scala應該是更好的選擇，因為它能夠勝任。如果您對金融工具感興趣，MQL5則是最佳選擇。

同樣，每一種程序設計語言都有自己特點和擅長領域。因此，選擇滿足您的要求和規範的語言才是最好的做法。

5.總結

機器學習是一個持續的、不斷進化的過程。隨著時間的推移，它與標準化ML (SML) 語言一起出現，並在Python中流行起來。如今，具有不同需求的機器學習語言呈現多樣化的發展。

簡而言之，Python是一種非常出色的機器學習語言。但Python並不是一種數據科學專用語言，並且有一些更加現代的編程語言可以比它更有效地執行特定任務。

因此，新興的編程語言正在機器學習領域中獲得了市場份額並不斷增長。希望在未來幾年內，它們也能夠普及流行起來。