而有些团队则是使用标准软件开发IDE，提及最多的是Pycharm和VSCode。

使用Pycharm的一家公司Hotelmize称，这是最好的Python IDE。

而使用VSCode的公司则为其正名。

VSCode易于与Azure连接，并提供了许多基于ML的扩展。

对于使用R语言的团队来说，RStudio是他们最好的选择。

还有一项工具——GitHub。我想这对每个AI团队都是福音，初创公司更是。

调查结果正是如此，GitHub因为其免费、强大的版本控制系统、共享功能，对团队来说都是超级有用的。

对于最流行的编程语言里，Python、R语言上榜，竟还有一个Clojure。

值得一提的是，对于环境/基础设施的设置方面，有一些团队给出了以下建议：

• AWS作为部署平台（Simple Report）。
• Anaconda是我们运行ML实验的首选工具，因为它的活代码功能，可以用来将软件代码、计算输出、解释性文本和多媒体资源结合在一个文档中。（Scanta）
• Redis作为内存中的数据结构存储，由于它支持不同类型的抽象数据结构，如字符串、列表、映射、集、排序集、HyperLogLogs、位图、流和空间索引等，因此Redis作为内存中的数据结构存储占据了主导地位。（Scanta）
• Snowflake和Amazon S3用于数据存储。（Hypergiant）
• Spark-pyspark—-非常简单的api，用于大数据的分配作业。（Hotelmize）

机器学习框架

机器学习框架也必不可少。而这一部分，选择的工具有很多。


 

调查结果如下：

软件开发设置

• IDE：Jupyter Lab+NB扩展（少数用Deepnote），Colab和PyCharm、VSCode（R用户喜欢 R studio）
• Github
• Python（大多数），R（部分）

机器学习框架

• 处理数据和可视化：Pandas + Matplotlib + Plotly
• 经典算法：Sklearn + XGBoost
• 深度学习：Tensorflow + Keras或Pytorch

MLOps

• 编排：Kubeflow，Airflow，Amazon Sagemaker，Azure
• 模型包装/服务：Kubeflow，MLflow，Amazon Sagemaker
• 模型从训练到推理的剖析和优化：pytest-benchmark、MLperf
• 实验管理：MLflow，Comet，Neptune

具体情况，是这样的。

软件开发设置

开发环境是每个团队工作流程的基础，而对于IDE，很多团队都喜欢Jupyter Notebooks和Jupyter Lab及其NB扩展。

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!