Сравнительный анализ языков программирования, применяемых в машинном обучении

1.

МИНИСТЕРСТВО ОБРАЗОВАНИЯ МОСКОВСКОЙ ОБЛАСТИ
ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ПРОФЕССИОНАЛЬНОЕ
ОБРАЗОВАТЕЛЬНОЕ
УЧРЕЖДЕНИЕ МОСКОВСКОЙ ОБЛАСТИ
«СЕРПУХОВСКИЙ КОЛЛЕДЖ»
ИНДИВИДУАЛЬНЫЙ ПРОЕКТ
на тему «Сравнительный анализ языков программирования, применяемых в
машинном обучении»
Студентки Савковой Анастасии Сергеевны,
группа 1231
Руководитель проекта: Вялых Галина Викторовна
2024

2.

Акутальность
Прогноз рыночных трендов и создание
торговых стратегий, обработка
огромного количества кредитных
анкет.
Банковская сфера и финансы
Создание систем управления
производством, выявление угроз
безопасности и разведывание новых
месторождений.
Промышленность
Анализ медицинских изображений,
прогноз пациентских исходов.
Медицина
Анализ состава почвы, расчёт
нужного количества удобрений,
предсказывание урожайности.
Сельское хозяйство

3.

Цель и задачи, методы исследования
Цель проекта: создание рекомендаций для помощи разработчикам в выборе
наиболее подходящего языка программирования для конкретных проектов
машинного обучения.
Для реализации цели были поставлены следующие задачи:
1.Определить понятие машинного обучения и узнать его историю
2.Узнать способы машинного обучения
3. Проанализировать функциональные возможности и ограничения языков
программирования
4. Выявить какой язык программирования наиболее подходящий для
определённых проектов

4.

Методы исследования
Теоретические
Эмпирические
Синтез
Анализ
Сравнение
изучение литературы и
других источников
информации
сбор информации по
теме из источников

5.

Объект и предмет исследования
h
t
y
P
on
Объект исследования: языки программирования
Juli
a
R
Предмет исследования: выявление наиболее подходящего языка
программирования для конкретных проектов машинного обучения

6.

Теоретическая часть. Понятие
машинного обучения
Машинное обучение - это набор методов в
области искусственного интеллекта,
предоставляющих алгоритмы для создания
машин, обучающихся на собственном опыте.

7.

История машинного обучения
Суперкомпьютер Deep Blue, выигравший у
Каспарова.
Технология распознавания лиц, разработанная китайской компанией Hanvon —
она узнаёт даже людей в масках.

8.

Способы машинного обучения
Обучение с
учителем.
Специалист
использует для
обучения модели
размеченные
данные.
Обучение без
учителя.
Для обучения
используются
неразмеченные
данные — то есть
такие, по которым
нет никакой
оценки.
Обучение с
подкреплением.
В этом случае
задача —
подобрать
подходящий ответ
в зависимости от
действий
пользователя.

9.

Анализ функциональных возможностей и ограничений
языков программирования в машинном обучении
Функциональные возможности
Простота
Распространённость
Многофункциональность
Обилие готовых инструментов
Ограничения
Низкая скорость
Динамическая типизация

10.

Функциональные возможности
Ограничения
Огромное количество пакетов с
открытым исходным кодом
Высокий порог вхождения
Много возможностей для визуализации
данных
Низкая производительность
Распространенность
Специфичность

11.

Функциональные возможности
Ограничения
Удобная работа с математическими
функциями
Недостаточно готовых библиотек
Широкое применение
Мало информации
Высокая скорость
Функциональная ориентированность
И динамическая, и статическая
типизация

12.

Использование наиболее подходящих
языков программирования для
определённых проектов
Цель проекта
Сложность проекта
Сообщество. библиотеки и
производительность
Научные исследования, решение
аналитических задач - Julia и R.
Простой проект с маленькой
масштабностью - Python.
Распространнённость Python и R.
Анализ данных и статистических
исследований, визуализация данных
- R.
Средний проект - Julia и
Python.
Наличие библиотек - Python и R.
Понимание человеческого языка,
решение задач компьютерного
зрения - Python.
Сложный проект с большой
масштабностью - R и Python.
Высокая производительность Julia.

13.

Заключение
В данной работе была изучена история развития машинного
обучение, определены понятия и способы машинного обучения, где
применяется и как используется. Были выявлены функциональные
возможности и ограничения каждого из языков программирования,
применяемых в машинном обучении. Цель, поставленная в начале
данной работы, была достигнута и задачи, которым стоило
следовать в ходе выполнения проекта, были решены.

14.

Список литературы
1. Флах П. “Машинное обучение. Наука и искусство построения алгоритмов, которые
извлекают знания из данных”/ пер. с англ А. А. Слинкина - М.: ДМК Пресс, 2015. —
400 с.: ил.
2. Плас Дж. Вандер “python для сложных задач: наука о данных и машинное
обучение.”/ пер. с англ. И. Пальти — СПб.: Питер, 2018. — 576 с.: ил. — (Серия
«Бестселлеры O’Reilly”).
3. Бретт Ланц “Машинное обучение на R: экспертные техники для прогностического
анализа.”/ пер. с англ. Е. Сандицкая - СПб.: Питер, 2020. - 438 с.
4. Энгхейм Э. “Julia в качестве второго языка” / пер. с англ. А. В. Логунова. – М.: ДМК
Пресс, 2023. – 446 с.: ил.
5. Введение в машинное обучение в Julia // Geeksforgeeks: [сайт]. – 2023. – URL:
Introduction to Machine Learning in Julia - GeeksforGeeks (дата обращения: 18.02.2024).
6. Введение в машинное обучение в R // Geeksforgeeks: [сайт]. – 2023. – URL:
Introduction to Machine Learning in R - GeeksforGeeks (дата обращения: 18.02.2024).

15.

СПАСИБО ЗА ВНИМАНИЕ!