AI語言命令

⑴ 人工智慧用的編程語言是哪些

人工智慧用的編程語言：python、Java、Lisp、Prolog、C ++、Yigo。

1、Python由於簡單易用，是人工智慧領域中使用最廣泛的編程語言之一，它可以無縫地與數據結構和其他常用的AI演算法一起使用。Python之所以時候AI項目，其實也是基於Python的很多有用的庫都可以在AI中使用。

2、Java也是AI項目的一個很好的選擇。它是一種面向對象的編程語言，專注於提供AI項目上所需的所有高級功能，它是可移植的，並且提供了內置的垃圾回收。另外Java社區也是一個加分項，完善豐富的社區生態可以幫助開發人員隨時隨地查詢和解決遇到的問題。一。

3、Lisp因其出色的原型設計能力和對符號表達式的支持在AI領域嶄露頭角。LISP作為因應人工智慧而設計的語言，是第一個聲明式系內函數式程序設計語言，有別於命令式系內過程式的C、Fortran和面向對象的Java、C#等結構化程序設計語言

⑵ 人工智慧用的編程語言是哪些

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圖像的復雜數據集進行模式識別。這些發展必然提高了科學家和巨匠們對人工智慧的興趣，這也使得開發者們了解創建人工智慧應用的真實本質。

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。

哪一種編程語言適合人工智慧?

你所熟練掌握的每一種編程語言都可以是人工智慧的開發語言。人工智慧程序可以使用幾乎所有的編程語言實現，最常見的有：Lisp,Prolog,C/C++，近來又有Java，最近還有Python.

LISP

像LISP這樣的高級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舍棄了快速執行。垃圾收集，動態類型，數據函數，統一的語法，互動式環境和可擴展性等一些特性使得LIST非常適合人工智慧編程。

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。

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，它是模塊化的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和其他內核方法。它支持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的一個模塊，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)緊密聯系在一起的。

MDP-Toolkit這是一個Python數據處理的框架，可以很容易的進行擴展。它海收集了有監管和沒有監管的學習算飯和其他數據處理單元，可以組合成數據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，包括信號處理方法(主成分分析、獨立成分分析、慢特徵分析)，流型學習方法(局部線性嵌入)，集中分類，概率方法(因子分析，RBM),數據預處理方法等等。 自然語言和文本處理庫

NLTK 開源的Python模塊，語言學數據和文檔，用來研究和開發自然語言處理和文本分析。有windows,Mac OSX和Linux版本。

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中數據驅動文檔時可視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樣板代碼去測試新的假說。python中幾乎每一個想法都可以迅速通過20-30行代碼來實現(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。

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。收集到的數據會集中到雲資料庫中，甚至整個辦公室都可以通過在Android設備或桌面點擊一個按鈕來取回。

開發者在深入分析臉部情感上復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。