目前，机器学习牵涉的编程语言十分多样，包括了MATLAB、Julia、R、Perl、Python、Ruby等等。首先，Raschka定义 了语言好坏的原则：一门好的语言应该使得编写、调试和执行代码的总时间最短。然后，他花大篇幅讲述了一个简单的道理——没有一门语言是对所有情况、所有人 都十分适合的。
Roberto Waltman：“在这种唯一正确的方式下，面向对象的Spaghetti code就是Lasagna code。”
针对具体的应用场景以及参与项目的人员，开发团队或个人要对任务需求进行评估，再结合人员对于各个语言的熟悉程度和语言生态环境的情况等等，作出选择。接下来，Raschka开始正式点评各个语言相对与Python在机器学习时的优缺点。
表现平平的MATLAB
作为机器学习、模式识别等方面经常使用的工具，MATLAB被放在了第一个分析。Raschka认为，MATLAB在实现机器学习算法时要比Python或者 NumPy 更加自然。很多高校也在计算机科学相关的课程中教授MATLAB语言。然而，MATLAB也存在很多的缺点：价格昂贵、非开源、性能表现平平、语法不符合程序员的习惯等。例如，MATLAB中矩阵乘积运算操作为 X.dot（Y） ，而Python为 X@W ，更加简洁、明了。
各种语言相对于C的测试性能——C的性能为1.0，越小越好
从上图可以看出，MATLAB的性能比Python、Go、Java等语言要差很多。Raschka也提到，上图中Python的性能也表现不好。但是，现在性能强劲的GPU为Python提供了强大的后盾。在2010年的时候，Python中的 Theano库 在CPU上运行时，其速度是NumPy的1.8倍。而Theano在GPU上运行时，其速度就是NumPy的11倍。因此，在目前更高性能的GPU的帮助下，Python性能已经有了更大的改进。
貌似很强大的Julia
作为一门新型的语言，Julia在设计之处就充分借鉴了C/Ruby/Python等语言的经验，试图重新融合众家之长，为科学计算提供一个有力的工具。Raschka充分认可了该语言。然而，对于其未来Julia是否会流行，Raschka持保留态度。
Bjarne Stroustrup：世界上只有两种语言——大家一直在抱怨的和无人问津的。
Raschka认为一个语言是否有用又很大程度上取决于其是否流行。只有被广大编程人员所熟知的编程语言，相关的库才会更多，遇到问题时也能够方便的找到答案，且易于团队合作和代码分享。语言本身也会随着社区的关注不断得以改善。在流行度上，Julia并没有什么优势。
R语言本身无错
接下来，Raschka又提到了R语言。其实，Raschka之前使用过R语言，而且还专门撰写了一部有关 R语言中Heat map的书 。而且，他自己也不认为R语言存在任何令人不满意的地方。 据Spectrum IEEE统计 ，在2015年排名前十的编程语言中，R语言是提升最快的。近期， 微软对R语言表现出极大的兴趣 。并且很快，微软的 Azure便开始支持R语言 了。
Alan J. Perlis：当某人说“我想要一门编程语言。它要能够根据我的目标自动生成代码”。让他拿根棒棒糖，一边玩去吧！
Raschka总结R和Python之间的不同在于，R是统计学家开发的（数学）语言，而Python是计算领域科学家开发，可以应用到统计学的编程语言。这就是说，二者都可以很好的应用于数据科学或者机器学习，但Python的语法更容易被程序员所接受。
Perl的没落
Raschka简单分析了Perl语言。作为一门古老的语言，Perl已经不可避免的走向了没落。Raschka表示，Perl曾经是他学习的第一门语言。但是，Perl目前主要用于简单的脚本编写，已经很少应用在机器学习的算法编写方面。
老而弥坚的Python
最后，Raschka夸赞了自己所喜爱的Python语言。尽管Python已经走过了20多年的风雨历程，Raschka认为它仍然可以继续流行下去。而且，Raschka还不遗余力的列出了自己最喜欢的Python工具——NumPy、Theano、 scikit-learn 、 matplotlib 等。
至于Ruby、Java、Scala、Lua等，Raschka没有亲身体验，暂未点评。
对于Raschka的言论， 很多人表示赞同，也有不少人反对 。有人表示，自己从R切换到Python，主要原因也是Python更方便与团队之外的人进行合作和沟通。也有人表示，作为一个新入门的程序员，利用R进 行数据科学的编程可以利用很多现成的库，十分得心应手。更有与Python打过8年交道的资深程序员表示，Julia十分具有吸引力，愿意花时间去尝试该 语言。亲爱的读者朋友，你眼中最好的机器学习编程语言又是哪个呢？
