Python은 인공지능의 선두 언어이다.

AI, 빅데이터 시대 최초의 개발언어는 누가 될 것인가? 이는 논쟁이 필요 없는 문제이다. 3년 전에는 Matlab, Scala, R, Java 및 Python에 여전히 기회가 있었고 상황은 여전히 ​​불분명했습니다. 그렇다면 3년 후에는 추세가 매우 분명해졌습니다. 특히 이틀 전 Facebook이 PyTorch를 오픈소스로 공개한 이후 Python은 더욱 그렇습니다. AI가 되다 시대의 최상위 언어라는 위치는 기본적으로 정해져 있고, 과연 누가 2위 자리를 차지할 수 있을지 미래의 서스펜스가 궁금해진다.

Google의 AI가 바둑 명인을 물리치는 것은 인공지능의 갑작스러운 급속한 발전을 측정하는 방법이자, 이러한 기술이 어떻게 발전했는지, 그리고 앞으로 어떻게 발전할 수 있는지를 조명하는 것이기도 합니다.

인공지능은 현재 자체적인 도구 세트를 개발하고 있는 미래 기술입니다. 지난 몇 년 동안 일련의 발전이 있었습니다. 300,000마일 이상을 무사고로 주행하고 3개 주에서 합법화되면서 IBM Watson이 Jeopardy 챔피언을 두 번이나 이겼습니다. 소비자에서 소비자로 연구자들은 수조 개의 이미지로 구성된 복잡한 데이터 세트에 대한 패턴 인식에 관심이 있습니다. 이러한 발전은 과학자와 전문가 사이에서 인공 지능에 대한 관심을 증가시킬 것이며, 이를 통해 개발자는 인공 지능 응용 프로그램 작성의 진정한 본질을 이해할 수도 있습니다. 이를 개발할 때 가장 먼저 주의해야 할 점은

인공지능에 적합한 프로그래밍 언어는 무엇인가?

당신이 능숙하게 다루는 모든 프로그래밍 언어는 인공지능을 위한 개발 언어가 될 수 있습니다.

인공지능 프로그램은 거의 모든 프로그래밍 언어를 사용하여 구현할 수 있으며, 가장 일반적인 언어로는 Lisp, Prolog, C/C++, 최근에는 Java, 최근에는 Python이 있습니다.

LISP

LISP와 같은 고급 언어는 인공 지능에서 매우 인기가 높습니다. 여러 대학에서 수년간 연구한 후 빠른 실행보다 빠른 프로토타이핑이 선택되기 때문입니다. 가비지 수집, 동적 타이핑, 데이터 기능, 통합 구문, 대화형 환경 및 확장성과 같은 일부 기능을 통해 LIST는 인공 지능 프로그래밍에 매우 적합합니다.

PROLOG

이 언어는 AI에 매우 유용한 LISP의 높은 수준과 전통적인 장점을 효과적으로 결합합니다. 그 강점은 "논리 기반 문제"를 해결하는 것입니다. 프롤로그는 논리 관련 문제에 대한 해결책을 제공하거나, 그 해결책이 단순한 논리적 특성을 가지고 있습니다. 주요 단점(IMHO)은 배우기가 어렵다는 것입니다.

C/C++

C/C++는 치타와 마찬가지로 실행 속도가 필요할 때 주로 사용됩니다. 주로 간단한 프로그램에 사용되는데, 신경망 등 통계적 인공지능이 대표적이다. 역전파는 C/C++ 코드 몇 페이지만 사용하지만 속도가 조금이라도 향상되면 좋습니다.

JAVA

초심자에게 Java는 LISP의 여러 개념을 사용하는데, 가장 확실한 것은 가비지 수집입니다. 이식성 덕분에 모든 프로그램에 적용할 수 있으며, 내장된 유형 세트도 있습니다. Java는 LISP나 Prolog만큼 고급이지도 않고, C만큼 빠르지도 않지만 이식성이 요구된다면 최고입니다.

PYTHON

Python은 LISP와 JAVA로 컴파일된 언어입니다. Norvig의 기사에 나온 Lips와 Python의 비교에 따르면 두 언어는 약간의 차이점을 제외하고는 서로 매우 유사합니다. Java 그래픽 사용자 인터페이스에 대한 액세스를 제공하는 JPthon도 있습니다. 이것이 Peter Norvig가 인공 지능 책의 프로그램을 번역하기 위해 JPyhton을 선택한 이유입니다. JPython을 사용하면 이식 가능한 GUI 데모와 이식 가능한 http/ftp/html 라이브러리를 사용할 수 있습니다. 따라서 인공지능 언어로 매우 적합합니다.

인공 지능을 위해 다른 프로그래밍 언어에 비해 Python을 사용할 때의 이점

고품질 문서

플랫폼 독립적, 이제 모든 *nix 버전에서 사용 가능

다른 객체 지향 프로그래밍 언어보다 배우기 쉽고 빠릅니다. ​

Python에는 Python Imaging Libary, VTK 및 Maya 3D Visualization Toolkit, Numeric Python, Scientific Python 등 다양한 이미지 향상 라이브러리가 있습니다. 수치 및 과학 응용을 위한 도구입니다.

Python은 디자인이 매우 훌륭하고, 빠르고, 견고하며, 이식 가능하고 확장성이 뛰어납니다. 분명히 이는 인공지능 응용에 있어 매우 중요한 요소입니다.

은 작은 쉘 스크립트부터 전체 웹사이트 애플리케이션에 이르기까지 과학적인 목적을 위한 광범위한 프로그래밍 작업에 유용합니다.

드디어 오픈소스입니다. 동일한 커뮤니티 지원이 가능합니다.

AI Python 라이브러리

전체 AI 라이브러리

AIMA: Python은 Russell에서 Norvigs까지 "Artificial Intelligence: A Modern Approach"의 알고리즘을 구현합니다

pyDatalog : Python의 논리 프로그래밍 엔진

SimpleAI: Python은 책 "Artificial Intelligence: A Modern Approach"에 설명된 인공 지능 알고리즘을 구현합니다. 사용하기 쉽고 잘 문서화되었으며 테스트된 라이브러리를 제공하는 데 중점을 둡니다.

EasyAI: 2인용 AI 게임용 Python 엔진(음수 최대값, 대체 테이블, 게임 솔루션)

기계 학습 라이브러리

PyBrain 유연하고 간단하며 효과적인 도구 기계 학습 작업을 위한 알고리즘의 경우 모듈식 Python 기계 학습 라이브러리입니다. 또한 알고리즘을 테스트하고 비교할 수 있도록 미리 정의된 다양한 환경을 제공합니다.

PyML은 Python으로 작성된 양방향 프레임워크로 SVM 및 기타 커널 방법에 중점을 둡니다. 리눅스와 맥 OS X를 지원합니다.

scikit-learn은 다양한 상황에서 재사용할 수 있는 간단하면서도 강력한 솔루션을 제공하는 것을 목표로 합니다. 즉, 과학 및 공학 분야의 다목적 도구인 기계 학습입니다. 이는 고전적인 기계 학습 알고리즘을 통합한 Python 모듈입니다. 이러한 알고리즘은 Python 과학 패키지(numpy, scipy.matplotlib)와 밀접하게 연결되어 있습니다.

MDP-Toolkit은 쉽게 확장할 수 있는 Python 데이터 처리 프레임워크입니다. 이는 지도 및 비지도 학습 알고리즘과 기타 데이터 처리 장치를 수집하며, 이는 데이터 처리 시퀀스 또는 보다 복잡한 피드포워드 네트워크 구조로 결합될 수 있습니다. 새로운 알고리즘의 구현은 간단하고 직관적입니다. 신호 처리 방법(주성분 분석, 독립 성분 분석, 느린 특징 분석), 흐름 학습 방법(로컬 선형 임베딩), 중앙 집중식 분류 및 확률적 방법(요인 분석, RBM), 데이터 전처리 방법 등 사용 가능한 알고리즘이 꾸준히 증가하고 있습니다. , 등.

자연어 및 텍스트 처리 라이브러리

NLTK 오픈 소스 Python 모듈, 언어 데이터 및 문서로, 자연어 처리 및 텍스트 분석을 연구하고 개발하는 데 사용됩니다. Windows, Mac OSX 및 Linux 버전이 있습니다.

사례

는 인공지능과 사물인터넷을 활용해 직원 행동을 분석하는 소프트웨어를 실험했다. 이 소프트웨어는 직원의 정서적, 행동적 방해를 통해 직원에게 유용한 피드백을 제공하여 관리 및 작업 습관을 개선합니다.

Python 머신러닝 라이브러리, opencv 및 haarcascading 개념을 사용한 교육입니다. 다양한 위치에 배치된 무선 카메라를 통해 전달되는 행복, 분노, 슬픔, 혐오, 의심, 경멸, 풍자, 놀라움과 같은 기본 감정을 감지하기 위해 샘플 POC가 구축되었습니다. 수집된 데이터는 클라우드 데이터베이스에 중앙 집중화되어 있으며 Android 기기나 데스크톱에서 버튼을 클릭하면 사무실 전체를 검색할 수도 있습니다.

개발자들은 얼굴의 감정적 복잡성을 심층적으로 분석하고 더 많은 세부 사항을 파헤치는 데 진전을 보이고 있습니다. 딥 러닝 알고리즘과 머신 러닝의 도움으로 개별 직원 성과 분석과 적절한 직원/팀 피드백이 도움이 될 수 있습니다.

결론

Python은 scikit-learn과 같은 좋은 프레임워크를 제공하기 때문에 인공 지능에서 중요한 역할을 합니다. Python의 기계 학습은 이 분야에서 필요한 대부분의 문제를 실현했습니다. D3.js는 JS의 데이터 기반 문서 시각화를 위한 가장 강력하고 사용하기 쉬운 도구 중 하나입니다. 처리 프레임워크와 빠른 프로토타이핑 덕분에 무시할 수 없는 중요한 언어가 되었습니다. AI에는 많은 연구가 필요하므로 새로운 가설을 테스트하기 위해 500KB의 Java 상용구 코드를 요청할 필요가 없습니다. Python의 거의 모든 아이디어는 20~30줄의 코드로 빠르게 구현할 수 있습니다(JS 및 LISP도 마찬가지). 그러므로 인공지능에게 매우 유용한 언어이다.

AI 및 빅데이터 산업에 참여하려는 개발자에게 Python 바구니에 계란을 넣는 것은 안전할 뿐만 아니라 필수입니다. 다시 말해, 앞으로 이 업계에서 일하고 싶다면 아무것도 생각하지 말고 먼저 눈을 감고 파이썬을 배우세요. 물론 Python에 문제와 단점이 없는 것은 아닙니다. Python과 일치하는 또 다른 언어 또는 심지어 여러 언어가 있어야 하지만, Python이 데이터 분석 및 분석 분야에서 첫 번째 언어의 위치를 ​​확고히 차지할 것이라는 데에는 의심의 여지가 없습니다. 일체 포함. 파이썬이 그 위치를 확고히 했기 때문에, 앞으로 이 업계에 많은 실무자가 필요할 것이기 때문이고, 파이썬이 전 세계 대학, 중학교, 초등학교에서 프로그래밍 입문 과정에서 빠르게 선호되는 교육 언어가 되었기 때문이라고 생각하기도 합니다. , 이 오픈 소스 동적 스크립팅 언어는 가까운 미래에 최초의 진정한 프로그래밍 에스페란토가 될 것입니다.

프로그래밍 언어의 장단점을 논하는 것은 언제나 말싸움의 주제로 여겨져 선배들 사이에서 멸시받는 일이었습니다. 하지만 이번에 파이썬의 등장은 큰 일이라고 생각합니다. 15년 뒤에는 의사부터 건설 엔지니어, 사무 비서부터 영화감독, 작곡가부터 영업사원까지 40세 이하의 모든 지식 근로자가 인공지능을 호출하는 동일한 기본 데이터 처리 언어를 사용할 수 있다고 상상해 보십시오. 클라우드의 API, 지능형 로봇 제어, 그리고 서로 아이디어를 전달하는 이 범용 프로그래밍 협업 네트워크의 중요성은 프로그래밍 언어 논쟁을 훨씬 능가할 것입니다. 현재 Python이 이 역할에 가장 유망한 후보로 보입니다.

Python의 승리는 단점이 명백하기 때문에 놀랍습니다. 자체 구문이 있어 많은 베테랑이 불편함을 느낍니다. "알몸" Python은 GIL(Global Interpreter Lock)로 인해 다양한 작업에서 C 언어보다 수십 배에서 수천 배까지 느립니다. Python 프로그램은 여러 코어에서 동시에 실행될 수 없습니다. Python 2와 Python 3의 두 버전은 오랫동안 병렬로 실행되어 왔으며 많은 모듈이 동시에 두 가지 버전을 유지해야 하므로 불필요한 혼란이 많이 발생합니다. 그리고 개발자에게 문제가 발생합니다. 어떤 회사의 통제도 받지 않기 때문에 어떤 거대 기술 기업도 Python을 지원하려고 하지 않았습니다. 따라서 Python의 광범위한 응용 프로그램에 비해 핵심 인프라에 대한 투자와 지원은 실제로 그렇습니다. 매우 약합니다. 현재까지 26년 된 Python에는 공식 표준 JIT 컴파일러가 없습니다. 반면 Java 언어는 출시 후 첫 3년 이내에 표준 JIT를 받았습니다.

또 다른 사실은 문제를 더욱 잘 보여줍니다. Python의 GIL 핵심 코드는 1992년에 언어 창시자인 Guido van Rossum에 의해 작성되었습니다. 이후 18년 동안 누구도 이 중요한 코드의 단일 바이트를 변경하지 않았습니다. 18년! 2010년이 되어서야 Antoine Pitrou가 거의 20년 만에 처음으로 GIL을 개선했으며 Python 3.x에서만 사용되었습니다. 이는 오늘날 Python 2.7을 사용하는 대부분의 개발자가 작성하는 모든 프로그램이 26년 전의 코드 조각에 의해 여전히 엄격하게 제한되어 있음을 의미합니다.

파이썬은 여러 가지 문제를 안고 최전선에 뛰어든 그런 레이서지만, 몇 년 전까지만 해도 왕좌를 차지할 기회가 있다고 믿는 사람은 많지 않았습니다. 자바의 입장은 흔들리지 않을 것이라고 믿는 사람이 많았습니다. 어떤 사람들은 모든 프로그램이 JavaScript로 다시 작성될 것이라고 말합니다. 그러나 오늘날 우리는 Python이 이미 데이터 분석 및 AI를 위한 첫 번째 언어, 네트워크 공격 및 방어를 위한 첫 번째 해커 언어, 입문 프로그래밍 교육을 위한 첫 번째 언어, 클라우드 컴퓨팅 시스템 관리를 위한 첫 번째 언어가 되고 있음을 알 수 있습니다. Python은 오랫동안 웹 개발, 게임 스크립팅, 컴퓨터 비전, IoT 관리 및 로봇 개발을 위한 주류 언어 중 하나로 자리 잡았습니다. Python 사용자의 예상되는 성장으로 인해 여러 분야에서 최고에 도달할 수 있는 기회가 있습니다.

그리고 미래에 Python 사용자의 대다수는 전문 프로그래머가 아니라 오늘날에도 여전히 Excel, PowePoint, SAS, Matlab 및 비디오 편집기를 사용하는 사람들이 될 것임을 잊지 마십시오. AI를 예로 들면, 먼저 AI의 주요 그룹은 어디에 있는가? 오늘 이 주제를 정적으로 이야기해보면 AI의 주역은 연구기관의 AI 과학자, 머신러닝 전문가, 박사학위를 보유한 알고리즘 전문가라고 생각할 수도 있습니다. 하지만 지난번 이카푸의 “AI 배당 삼단논법”을 언급했는데, 이는 장기적인 관점을 갖고 3~5년을 되돌아보면 전체 AI 산업 인력이 점진적으로 하나의 구조를 형성하게 될 것임을 분명히 말해 준다. 거대한 피라미드 구조, 위에서 언급한 AI 과학자는 AI 기술 인력의 95% 이상이 AI 엔지니어, 응용 엔지니어 및 AI 도구 사용자입니다. 나는 이들 거의 대부분이 파이썬에 휩쓸려 파이썬 진영의 거대한 예비군이 될 것이라고 믿는다. 이러한 잠재적 Python 사용자는 여전히 기술계 외부에 있지만 AI 응용 프로그램이 개발됨에 따라 수백만 명의 교사, 회사 직원, 엔지니어, 번역가, 편집자, 의사, 영업, 관리자 및 공무원이 각자의 업계 지식과 데이터 리소스에 둘러싸여 있을 것입니다. 이 분야는 Python 및 AI 조류에 쏟아져 들어가 전체 IT 또는 DT(데이터 기술) 산업의 전반적인 패턴과 모습을 근본적으로 변화시키고 있습니다.

파이썬이 왜 뒤에서 따라잡을 수 있을까요?

일반적으로 이야기하면 간단하고 우아한 언어 디자인, 프로그래머 친화성, 높은 개발 효율성 등 Python의 장점을 몇 가지 나열할 수 있습니다. 하지만 다른 언어도 나쁘지 않기 때문에 이것이 근본 원인이라고 생각하지 않습니다.

일부 사람들은 파이썬의 장점이 풍부한 리소스, 탄탄한 수치 알고리즘, 아이콘 및 데이터 처리 인프라에 있다고 믿고 있으며, 매우 좋은 생태 환경을 구축하여 다양한 분야의 많은 과학자 및 전문가가 사용하고 있습니다. 눈덩이가 점점 커지고 있어요. 그러나 나는 이것이 그 반대라고 생각한다. Python이 사람들을 끌어들여 Python을 사용하고 이렇게 좋은 인프라를 구축할 수 있는 이유는 무엇일까요? 세계 최고의 언어인 PHP에는 왜 numpy, NLTK, sk-learn, pandas 및 PyTorch와 같은 라이브러리가 없나요? JavaScript의 엄청난 번영 이후 다양한 프로그램 라이브러리가 고르지 않고 쓸모 없게 된 반면 Python의 다양한 프로그램 라이브러리는 번영과 질서를 유지하며 높은 수준을 유지할 수 있는 이유는 무엇입니까?

근본적인 이유는 단 하나라고 생각합니다. Python은 많은 주류 언어 중에서 명확한 전략적 포지셔닝을 갖고 항상 원래의 전략적 포지셔닝을 고수하는 유일한 언어입니다. 이에 반해 너무 많은 언어들이 계속해서 전술적이고 비원칙적인 근면을 사용하여 자신의 전략적 포지셔닝을 침식하고 흐릿하게 만들고 결국에는 기다리고 기다릴 수 밖에 없습니다.

파이썬의 전략적 포지셔닝은 무엇인가요? 사실 간단하고 사용하기 쉽지만 전문적이고 엄격한 범용 조합 언어, 즉 글루 언어를 만들어서 일반 사람들도 쉽게 시작하고 다양한 기본 프로그램 구성 요소를 함께 조립하고 운영할 수 있도록 하는 것입니다. 조화롭게.

Python이 항상 고유한 트릭보다 언어 자체의 아름다움과 일관성을, CPU 효율성보다 개발자 효율성을, 수직 심층 분석 기능보다 수평 확장 기능을 우선시하는 것은 바로 이러한 포지셔닝을 고수하기 때문입니다. 이러한 전략적 선택이 장기적으로 지속되면서 Python은 다른 언어가 따라올 수 없는 풍부한 생태계를 갖게 되었습니다.

예를 들어, 배우고자 하는 사람은 누구나 며칠 안에 Python의 기본 부분을 배우고 많은 일을 할 수 있습니다. 이러한 입출력 비율은 다른 어떤 언어와도 비교할 수 없습니다. 또 다른 예로, 사람들이 자주 사용하는 핵심 프로그램 라이브러리를 개발할 때 많은 C 언어를 사용하여 협력하는 것은 바로 Python 언어 자체가 느리기 때문입니다. 결과적으로 Python으로 개발된 실제 프로그램은 매우 빠르게 실행됩니다. 시스템이 C로 작성된 코드를 실행하는 시간의 80%를 초과할 가능성이 매우 높습니다. 반대로 Python이 확신을 갖지 못하고 속도 경쟁을 고집한다면 결과적으로는 속도가 여러 번 증가할 가능성이 높지만 누구도 이를 위한 C 모듈을 개발할 동기를 갖지 못할 것입니다. 혼합 모드에 비해 훨씬 열등하며 아마도 결과적으로 언어가 더 복잡해지고 결과적으로 느리고 추악한 언어가 될 것입니다.

더 중요한 것은 Python이 우수한 패키징 기능, 구성성 및 삽입 가능성을 갖추고 있다는 점입니다. Python 모듈의 다양한 복잡성을 감싸고 아름다운 인터페이스를 노출할 수 있습니다. 프로그램 라이브러리 자체는 C/C++로 작성되는 경우가 많지만, 환경 구성부터 인터페이스 호출까지 C나 C++를 직접 사용하여 해당 프로그램 라이브러리를 호출하는 것은 매우 번거롭다는 것을 알게 될 것입니다. 대신에 다른 Python 패키징 라이브러리를 사용하십시오. 더 깨끗하고, 빠르고, 더 아름답습니다. 이러한 특성은 AI 분야에서 Python의 강력한 장점이 되었습니다. Python은 또한 AI와 데이터 과학을 사용하여 프로그래밍 언어 생태계 체인의 최상위에 올랐습니다. 전자 상거래, 검색 엔진, 소셜 네트워크 또는 스마트 하드웨어 등 그들에게 Python은 AI와 연결되어 있습니다. 미래에는 생태계 체인 하류의 데이터 소, 전자 신경 및 실행 도구가 될 것입니다. 그들의 명령을 받아라.

프로그래밍 언어 개발의 역사에 대한 이해가 부족한 사람들은 Python의 전략적 포지셔닝이 냉소적이고 진취적인 정신이 부족하다고 느낄 수도 있습니다. 그러나 단순함과 엄격함, 사용하기 쉬우면서도 전문적인 것이 동시에 어려운 것은 사실로 입증되었으며, 접착제 언어의 위치를 ​​고수하는 것은 더욱 어렵습니다.

일부 언어는 처음부터 실용적인 목적보다는 학술적인 목적으로만 사용되며, 학습 곡선이 너무 가파르기 때문에 일반 사람들이 접근하기 어렵습니다. 일부 언어는 뒤에 있는 후원자의 상업적 지원에 너무 의존합니다. 일단 잘되면 매우 번영하며, 일단 부업으로 밀려나면 생존조차 문제가 됩니다. 일부 언어에는 대규모 동시성을 해결하거나, 행렬 연산을 해결하거나, 웹 페이지 렌더링 템플릿을 만들기 위해 디자인할 때 명확한 상상의 시나리오가 있습니다. 이 시나리오를 벗어나면 다양한 방식으로 불만을 느낄 것입니다. 언어가 많아지면 조금만 성공하면 빨리 만능 챔피언이 되기만을 바라고, 필사적으로 사방팔방으로 촉수를 뻗는데, 특히 표현력 강화와 경기력 향상 측면에서 지나치게 공격적인 경우가 많다. , 그리고 그들은 인식할 수 없을 정도로 핵심 언어를 바꾸는 데 주저하지 않습니다. 결국 누구도 통제할 수 없는 거인이 됩니다. 이와 대조적으로 Python은 현대 프로그래밍 언어 설계 및 진화의 성공적인 예입니다.

Python이 전략적 포지셔닝에서 그토록 명확하고 전략적 지속성이 확고한 이유는 궁극적으로 Python 커뮤니티가 모범적인 의사 결정 및 거버넌스 메커니즘을 구축했기 때문입니다. 이 메커니즘은 Guido van Rossum(BDFL, Pythoners 모두 이것이 무엇을 의미하는지 알고 있음), DavidBeazley, Raymond Hettinger 등을 중심으로 하며 PEP를 조직 플랫폼으로 삼아 민주적이고 질서 있고 중앙 집중화되고 계몽되었습니다. 메커니즘 자체가 유지되는 한 Python은 가까운 미래에도 꾸준히 성장할 것입니다.

Python에 도전할 가능성이 가장 높은 것은 물론 Java입니다. Java는 대규모 사용자 기반을 보유하고 있으며 명확하고 확고한 전략적 포지셔닝을 갖춘 언어이기도 합니다. 하지만 Java는 본질적으로 크고 복잡한 시스템을 구축하기 위해 설계되었기 때문에 큰 가능성이 있다고 생각하지 않습니다. 대규모 복합 시스템이란 무엇입니까? 그것은 사람들에 의해 명확하게 설명되고 구축되는 시스템입니다. 그 규모와 복잡성은 외생적이거나 외부 세계에 의해 제공됩니다. AI의 본질은 자체 학습 및 자체 구성 시스템입니다. AI의 규모와 복잡성은 데이터를 기반으로 하는 수학적 모델에 의해 생성되며 내생적입니다. 따라서 대부분의 Java 언어 구조는 빅데이터 처리 및 AI 시스템 개발에 유용하지 않습니다. 자신이 잘하는 것은 여기서 사용할 수 없고, 여기서 필요한 것은 수행하기가 어색합니다. Python의 데이터 처리 단순성과 강력함은 오랫동안 모든 사람에게 알려져 왔습니다. 동일한 기능을 가진 두 개의 Java 및 Python 기계 학습 프로그램을 비교하면 일반 사람들은 단지 두 눈으로 판단할 수 있습니다. Python 프로그램이 더 신선하고 재미있을 것입니다.

2003년인가 2004년쯤에 브라질 사람이 쓴 파이썬 책을 샀어요. 그는 자신이 파이썬을 굳게 선택한 이유는 어렸을 때 미래 세계가 커다란 파이썬(파이썬은 영어로 python)이 지배할 것이라는 꿈을 자주 꾸었기 때문이라고 말했다. 그때 나는 이 사람이 이런 무서운 장면을 꿈꿀 수 있을 만큼 한심하다는 생각이 들었다. 하지만 지금 보면 어쩌면 그는 우연히 미래로 여행을 떠나 세상의 진실을 엿본 의 프로그래머 앤더슨과 같았을지도 모른다.