谷歌的AI擊敗了一位圍棋大師，是一種衡量人工智慧突然的快速發展的方式，也揭示了這些技術如何發展而來和將來可以如何發展。

小編推薦大家可以加我的扣扣群 735934841

裡面有海量視訊教程和學習資料免費領取，

不失為是一個學習的好地方，歡迎你的到來。

一起交流學習！共同進步！！

人工智慧是一種未來性的技術，目前正在致力於研究自己的一套工具。一系列的進展在過去的幾年中發生了：無事故駕駛超過300000英里並在三個州合法行駛迎來了自動駕駛的一個里程碑；IBM Waston擊敗了Jeopardy兩屆冠軍;統計學習技術從對消費者興趣到以萬億記的影象的複雜資料集進行模式識別。這些發展必然提高了科學家和巨匠們對人工智慧的興趣，這也使得開發者們瞭解建立人工智慧應用的真實本質。開發這些需要注意的第一件事是：

哪一種程式語言適合人工智慧？

你所熟練掌握的每一種程式語言都可以是人工智慧的開發語言。

人工智慧程式可以使用幾乎所有的程式語言實現，最常見的有：Lisp,Prolog,C/C++，近來又有Java，最近還有Python.

LISP

像LISP這樣的高階語言在人工智慧中備受青睞，因為在各高校多年的研究後選擇了快速原型而捨棄了快速執行。垃圾收集，動態型別，資料函式，統一的語法，互動式環境和可擴充套件性等一些特性使得LIST非常適合人工智慧程式設計。

PROLOG

這種語言有著LISP高層和傳統優勢有效結合，這對AI是非常有用的。它的優勢是解決“基於邏輯的問題”。Prolog提供了針對於邏輯相關問題的解決方案，或者說它的解決方案有著簡潔的邏輯特徵。它的主要缺點（恕我直言）是學起來很難。

C/C++

就像獵豹一樣，C/C++主要用於對執行速度要求很高的時候。它主要用於簡單程式，統計人工智慧，如神經網路就是一個常見的例子。Backpropagation 只用了幾頁的C/C++程式碼，但是要求速度，哪怕程式設計師只能提升一點點速度也是好的。

JAVA

新來者，Java使用了LISP中的幾個理念，最明顯的是垃圾收集。它的可移植性使它可以適用於任何程式，它還有一套內建型別。Java沒有LISP和Prolog高階，又沒有C那樣快，但如果要求可移植性那它是最好的。

PYTHON

Python是一種用LISP和JAVA編譯的語言。按照Norvig文章中對Lips和Python的比較，這兩種語言彼此非常相似，僅有一些細小的差別。還有JPthon，提供了訪問Java影象使用者介面的途徑。這是PeterNorvig選擇用JPyhton翻譯他人工智慧書籍中程式的的原因。JPython可以讓他使用可移植的GUI演示，和可移植的http/ftp/html庫。因此，它非常適合作為人工智慧語言的。

在人工智慧上使用Python比其他程式語言的好處

優質的文件

平臺無關，可以在現在每一個*nix版本上使用

和其他面向物件程式語言比學習更加簡單快速

Python有許多影象加強庫像Python Imaging Libary,VTK和Maya 3D視覺化工具包，Numeric Python, Scientific Python和其他很多可用工具可以於數值和科學應用。

Python的設計非常好，快速，堅固，可移植，可擴充套件。很明顯這些對於人工智慧應用來說都是非常重要的因素。

對於科學用途的廣泛程式設計任務都很有用，無論從小的shell指令碼還是整個網站應用。

最後，它是開源的。可以得到相同的社群支援。

AI的Python庫

總體的AI庫

AIMA：Python實現了從Russell到Norvigs的“人工智慧：一種現代的方法”的演算法

pyDatalog：Python中的邏輯程式設計引擎

SimpleAI：Python實現在“人工智慧：一種現代的方法”這本書中描述過的人工智慧的演算法。它專注於提供一個易於使用，有良好文件和測試的庫。

EasyAI：一個雙人AI遊戲的python引擎（負極大值，置換表、遊戲解決）

機器學習庫

PyBrain 一個靈活，簡單而有效的針對機器學習任務的演算法，它是模組化的Python機器學習庫。它也提供了多種預定義好的環境來測試和比較你的演算法。

PyML 一個用Python寫的雙邊框架，重點研究SVM和其他核心方法。它支援Linux和Mac OS X。

scikit-learn旨在提供簡單而強大的解決方案，可以在不同的上下文中重用：機器學習作為科學和工程的一個多功能工具。它是python的一個模組，集成了經典的機器學習的演算法，這些演算法是和python科學包（numpy,scipy.matplotlib）緊密聯絡在一起的。

MDP-Toolkit這是一個Python資料處理的框架，可以很容易的進行擴充套件。它海收集了有監管和沒有監管的學習算飯和其他資料處理單元，可以組合成資料處理序列或者更復雜的前饋網路結構。新演算法的實現是簡單和直觀的。可用的演算法是在不斷的穩定增加的，包括訊號處理方法（主成分分析、獨立成分分析、慢特徵分析），流型學習方法（區域性線性嵌入），集中分類，概率方法（因子分析，RBM),資料預處理方法等等。

自然語言和文字處理庫

NLTK 開源的Python模組，語言學資料和文件，用來研究和開發自然語言處理和文字分析。有windows,Mac OSX和Linux版本。

案例

做了一個實驗，一個使用人工智慧和物聯網做員工行為分析的軟體。該軟體通過員工情緒和行為的分心提供了一個有用的反饋給員工，從而提高了管理和工作習慣。

使用Python機器學習庫，opencv和haarcascading概念來培訓。建立了樣品POC來檢測通過安置在不同地點的無線攝像頭傳遞回來基礎情感像幸福，生氣，悲傷，厭惡，懷疑，蔑視，譏諷和驚喜。收集到的資料會集中到雲資料庫中，甚至整個辦公室都可以通過在Android裝置或桌面點選一個按鈕來取回。

開發者在深入分析臉部情感上覆雜點和挖掘更多的細節中取得進步。在深入學習演算法和機器學習的幫助下，可以幫助分析員工個人績效和適當的員工/團隊反饋。

結論

python因為提供像 scikit-learn的好的框架，在人工智慧方面扮演了一個重要的角色：Python中的機器學習，實現了這一領域中大多的需求。D3.js JS中資料驅動文件時視覺化最強大和易於使用的工具之一。處理框架，它的快速原型製造使得它成為一門不可忽視的重要語言。AI需要大量的研究，因此沒有必要要求一個500KB的Java樣板程式碼去測試新的假說。python中幾乎每一個想法都可以迅速通過20-30行程式碼來實現（JS和LISP也是一樣）。因此，它對於人工智慧是一門非常有用的語言。