出于这类三个成因, 我们挑选当作达成机器学习算法的编程语言, 其一, 的语法明晰, 其二, 便于操作纯文本文件, 其三, 运用广泛而存有大批的开发文档。可执行伪代码大家称呼它为可执行伪代码 -code, 它有着清晰的语法结构。默认安装的开发环境附带了好多高级数据类型, 比如说列表、元组、字典、集合、队列等, 无需进一步编程就能使用这些数据类型的操作。使用这些数据类型让实现抽象的数学概念变得极为简单。另外, 读者能够采用自己熟悉的编程风格, 像面向对象编程、面向过程编程、或者函数式编程。不熟悉的读者能够去参阅附录A, 该附录详尽介绍了语言、所使用的数据类型以及安装指南。语言处理文本文件, 操作起来十分简便, 特别易于处理非数值型数据。语言具备数目多的访问网页的函数库, 还提供了丰富的正则表达式函数, 这让从HTML中提取数据变得简单又直观。比较流行话说那语言的运用范围极为广泛, 代码的示例情形也是数量众多, 如此这般便有利于读者能够迅速地学习而且精准掌握, 除此之外, 在真正开展实际应用程序的研发之时, 同样能够借助丰富多样的模块库来将开发周期予以缩短。在科学范畴以及金融领域当中, 语言获得了广泛的运用, SciPy以及NumPy等诸多科学函数库达成了向量与矩阵操作, 这些函数库提升了代码的可读性, 学过线性代数的人士均可看懂代码的实际功能, 另外, 科学函数库SciPy和NumPy采用底层语言C和进行编写, 提高了相关应用程序的计算性能, 本书会大量运用NumPy。能够加以运用的科学工具得以跟绘图工具一起, 协同行使功能, 能够绘制二维、三维图形, 还能够处理在科学研究期间常常得以运用的图形, 所以在这本书里也将会有着诸多的运用。开发环境推出了交互式shell环境, 此环境能让用户在开发程序之际, 去查看程序内容, 还可检测程序内容。将被集成进开发环境的Pylab模块, 会把NumPy和SciPy合并于一个开发环境之中, 在本书被进行写作的时候呢并非所有开发环境还无法接入。但是, 在不久之后的将来, 我们必定能够在开发环境里找到它。语言的特色诸如和等这类高级程序语言, 也能够让用户去执行矩阵操作, 甚至存在许多内嵌的特征, 这些特征能够轻松地构造出机器学习应用, 并且其运算速度也是很快的。然而, 其不足之处在于软件费用过高, 单单只是一个软件授权, 便要花费数千美元。虽然有适合它的第三方插件, 不过却不存在一个具有影响力的大型开源项目。有矩阵数学库的还有Java和C等强类型程序设计语言, 可是对于这些程序设计语言而言, 最大的问题在于哪怕完成简单操作也得编写大量代码。程序员得先定义变量类型, 就Java来讲,每次封装属性时还得实现和方法。此外还得记着实现子类, 就算不想用子类, 也得实现子类方法。为完成一项简单工作, 我们花费了大量时间编写了诸多无用冗长的代码。与Java和C全然不一样的语言, 它清晰且简练, 还易于被理解, 哪怕不是编程人员也能领会程序的意思, 然而Java和C对于非编程人员而言就如同天书那般难以理解。每一个人, 于小学二年级时, 就已然学会了写作, 可是呢, 绝大多数的人, 都得去从事别的, 更加重要的工作。——鲍比·奈特或许有那么一天, 我们能够于这话里把“写作”替换成“编写代码” , 尽管有些人对编写代码兴致盎然, 然而对多数人来讲, 编程不过是用以完成别的任务的工具罢了。那语言属于高级编程语言, 我们能够耗费更多时间去处理数据的内在含意, 而无需耗费过多精力去解决计算机是怎样得出数据结果的。这种语言让我们轻易就能表达自身的目的。语言的缺点语言仅有的不足之处是性能方面的问题, 程序运行之时的效率比不上Java或者C代码那般高, 然而我们能够运用调用C编译而成的代码, 如此一来, 我们便能够同步去利用C以及别的优点, 一步步地开展机器学习应用程序的开发工作, 我们能够率先运用编写实验程序, 要是进一步打算在产品里实现机器学习, 转变为C代码并非难事, 要是程序是依据模块化原则予以组织的, 我们能够先构建可运行的程序, 接着再一步步地运用C代码替换核心代码以提升程序的性能。使用C Boost库能够适合这项任务的完成, 其他一些和PyPy类似的工具也能够用以编写有强类型的代码, 从而对一般程序的性能予以改进。即便有如此这般的情况, 即程序的算法或者思想存有缺陷, 那么不管程序的性能处于怎样的状态, 都绝对无法获取到正确的结果。要是解决问题的思想出现了不对劲的状况, 那么仅仅依靠提升程序的运行效率, 扩充用户规模, 都根本没办法解决这个最为关键的核心问题。从这样一个角度去看待的话, 可以明显察觉到快速实现系统所具备的优势就越发突出了, 我们能够迅速地去检验算法或者思想到底正不正确, 要是有必要的话, 再进一步地对代码加以优化。注本文摘自即将在6月10号左右上市的《机器学习实战》