Kotlin для машинного обучения: возможности и ограничения — часть 2

В первой части мы разобрали базовые концепции использования Kotlin в Data Science. Сегодня, в части 2, мы углубимся в практические аспекты: рассмотрим библиотеки, работу с нейросетями и типичные ошибки. Этот материал будет полезен как для тех, кто изучает Kotlin для начинающих, так и для опытных разработчиков, желающих расширить горизонты программирования на JVM.

Ключевые библиотеки Kotlin для машинного обучения

Экосистема Kotlin активно развивается. Вот три главных инструмента, которые стоит освоить в рамках обучения ML на Kotlin:

1. KotlinDL (Deep Learning)

Библиотека от JetBrains для создания нейросетей. Она полностью написана на Kotlin и не требует переключения на Python.

import org.jetbrains.kotlinx.dl.api.core.Sequentialimport org.jetbrains.kotlinx.dl.api.core.layer.*import org.jetbrains.kotlinx.dl.dataset.*

fun main() {    val model = Sequential.of(        Dense(128, activation = "relu"),        Dropout(0.2f),        Dense(10, activation = "softmax")    )    model.compile(loss = "categorical_crossentropy", optimizer = "adam")    println("Модель создана. Готов к обучению!")}

2. Smile (Statistical Machine Intelligence & Learning Engine)

Универсальная библиотека для классического ML: регрессия, кластеризация, SVM. Идеально подходит для программирования на Kotlin без излишней абстракции.

import smile.classification.RandomForestimport smile.data.*

fun trainRandomForest(data: DataFrame) {    val forest = RandomForest.fit(data, "target")    println("Точность: ${forest.accuracy()}")}

3. Krangl (Data Wrangling)

Библиотека для работы с табличными данными, аналог pandas. Она делает Kotlin для начинающих более доступным в задачах предобработки.

import krangl.*

fun cleanData() {    val df = DataFrame.fromCSV("data.csv")    df.filter { it["age"] gt 18 }      .groupBy("city")      .summarize("avg_salary") { it["salary"].mean() }      .print()}

Ограничения Kotlin в ML: что нужно знать

Несмотря на прогресс, Kotlin для машинного обучения имеет ряд ограничений, которые важно учитывать в обучении и реальных проектах:

• Меньше сообщество — найти готовые решения сложнее, чем для Python.
• Ограниченная поддержка GPU — KotlinDL использует TensorFlow Java, что медленнее нативных Python-биндингов.
• Отсутствие mature-решений для NLP — библиотеки вроде Hugging Face пока не портированы.
• Сложность с визуализацией — нет аналогов matplotlib с такой же гибкостью.

Практический пример: предсказание цен на жилье

Давайте объединим полученные знания. Напишем полный пайплайн на Kotlin с использованием Smile и Krangl. Это отличный пример программирования для реальной задачи.

import krangl.*import smile.regression.LinearRegression

fun main() {    // 1. Загрузка данных    val rawData = DataFrame.fromCSV("housing.csv")        // 2. Предобработка    val cleanData = rawData.dropNA()        .filter { it["medv"] gt 5 }        .mutate("rooms_sq") { it["rooms"] map { it.toDouble() * it.toDouble() } }        // 3. Подготовка матрицы признаков    val features = cleanData.select("rooms", "age", "rooms_sq").toMatrix()    val target = cleanData["medv"].toDoubleArray()        // 4. Обучение    val model = LinearRegression.fit(features, target)        // 5. Оценка    val predictions = model.predict(features)    val mse = target.zip(predictions) { a, b -> (a - b) * (a - b) }.average()    println("MSE: $mse")}