Машинное обучение на Kotlin: обзор библиотек KMath, Smile, KotlinDL и DeepLearning4J

Машинное обучение на Kotlin: от математики до глубоких нейросетей

Kotlin — современный, лаконичный и безопасный язык, который всё активнее используется не только для Android-разработки, но и для серверных проектов, анализа данных и машинного обучения. Благодаря полной совместимости с Java и собственной экосистеме библиотек, Kotlin позволяет писать чистый и выразительный код для ML-задач. В этой статье мы рассмотрим ключевые библиотеки для машинного обучения на Kotlin: от низкоуровневых математических операций до готовых нейросетевых фреймворков.

1. KMath — математическая основа для ML

KMath (Kotlin Mathematics) — это библиотека для научных вычислений, созданная JetBrains. Она предоставляет мощные инструменты для линейной алгебры, оптимизации, статистики и работы с тензорами. KMath идеально подходит для реализации собственных алгоритмов машинного обучения без привязки к Java.

Основные возможности KMath:

• Работа с векторами, матрицами и многомерными массивами (тензорами);
• Линейная алгебра (LU-разложение, SVD, собственные значения);
• Статистические распределения и тесты;
• Автоматическое дифференцирование (для градиентного спуска);
• Интеграция с NumPy через экспорт в ndarray.

// Пример: линейная регрессия с использованием KMath
import space.kscience.kmath.operations.*
import space.kscience.kmath.structures.*
import space.kscience.kmath.linear.*

fun main() {
    // Данные: x = [1, 2, 3], y = [2, 4, 6] (целевая функция y = 2x)
    val x = Matrix.real(3, 2) { i, j -> if (j == 0) 1.0 else (i + 1).toDouble() }
    val y = Matrix.real(3, 1) { i, _ -> (2 * (i + 1)).toDouble() }

    // Решение нормального уравнения: w = (X^T * X)^(-1) * X^T * y
    val xt = x.transpose()
    val xtx = xt dot x
    val invXtx = xtx.inverse() // LU-разложение
    val w = invXtx dot (xt dot y)

    println("Коэффициенты: intercept = ${w[0, 0]}, slope = ${w[1, 0]}")
}

KMath — это выбор для тех, кто хочет контролировать каждый шаг вычислений и не зависеть от Java-библиотек.

2. Smile — классические алгоритмы ML на Kotlin

Smile (Statistical Machine Intelligence & Learning Engine) — одна из самых полных библиотек машинного обучения на JVM, написанная на Java, но с отличной поддержкой Kotlin. Она включает десятки алгоритмов: от линейной регрессии и SVM до случайного леса и нейронных сетей.

Ключевые особенности Smile:

• Кластеризация (K-Means, DBSCAN, GMM);
• Классификация (SVM, Decision Trees, Random Forest, Naive Bayes);
• Регрессия (линейная, гребневая, LASSO);
• Снижение размерности (PCA, t-SNE, UMAP);
• Визуализация (встроенные графики для Swing).

// Пример: классификация с Random Forest в Smile
import smile.classification.RandomForest
import smile.data.DataFrame
import smile.data.`type`.DataTypes
import smile.io.Read

fun main() {
    // Загрузка данных (пример с iris dataset)
    val iris = Read.arff("data/iris.arff")

    // Разделение на признаки и целевую переменную
    val x = iris.select("sepal_length", "sepal_width", "petal_length", "petal_width").toArray()
    val y = iris.stringVector("class").toArray()

    // Обучение Random Forest (100 деревьев)
    val model = RandomForest.fit(x, y)

    // Предсказание
    val testSample = doubleArrayOf(5.1, 3.5, 1.4, 0.2)
    val prediction = model.predict(testSample)
    println("Предсказанный класс: $prediction")
}

Smile отлично подходит для быстрого прототипирования и production-задач, где нужны проверенные временем алгоритмы.

3. KotlinDL — глубокое обучение от JetBrains

KotlinDL — это библиотека глубокого обучения, созданная JetBrains специально для Kotlin. Она предоставляет высокоуровневый API для построения, обучения и развертывания нейронных сетей. В основе лежит движок TensorFlow Java, но код остаётся идиоматичным для Kotlin.

Возможности KotlinDL:

• Слои: Dense, Conv2D, Max