Machine Learning em Go: bibliotecas para Golang (ML, redes neurais, PLN)

Machine Learning em Go: visão geral das bibliotecas para Golang

Embora o Python continue sendo o rei do machine learning, Go (Golang) está sendo cada vez mais usado para sistemas de produção, microsserviços e aplicações de alta carga, onde velocidade, paralelismo e simplicidade de implantação são importantes. Neste artigo, vamos analisar as principais bibliotecas para machine learning em Go, seus recursos, exemplos de código e cenários de uso.

Por que Go para ML?

Go não tenta substituir o Python no trabalho de pesquisa. Seus pontos fortes são a integração com a infraestrutura, baixo consumo de memória, suporte nativo a concorrência (goroutines) e compilação em um único binário. É a escolha ideal para:

• Serviços de previsão (inferência) baseados em modelos treinados
• Processamento de dados em fluxo em tempo real
• Construção de pipelines de dados com alta taxa de transferência

1. Gorgonia — framework para redes neurais

Gorgonia é o equivalente ao TensorFlow e PyTorch em Go. Permite criar e treinar redes neurais com diferenciação automática.

Instalação:

go get gorgonia.org/gorgonia

Exemplo: regressão logística simples

package main

import (    "fmt"    "gorgonia.org/gorgonia"    "gorgonia.org/tensor")

func main() {    g := gorgonia.NewGraph()

    // Dados de entrada (matriz 4x2)    x := gorgonia.NewMatrix(g, tensor.Float64, gorgonia.WithShape(4, 2), gorgonia.WithName("x"))    // Pesos    w := gorgonia.NewMatrix(g, tensor.Float64, gorgonia.WithShape(2, 1), gorgonia.WithName("w"))    // Viés    b := gorgonia.NewScalar(g, tensor.Float64, gorgonia.WithName("b"))

    // Camada linear: y = x*w + b    xw, _ := gorgonia.Mul(x, w)    y, _ := gorgonia.Add(xw, b)

    // Função de ativação (sigmoide)    activated, _ := gorgonia.Sigmoid(y)

    machine := gorgonia.NewTapeMachine(g)    // Preenchimento dos dados    gorgonia.Let(x, tensor.New(tensor.WithBacking([]float64{1,2,3,4,5,6,7,8}), tensor.WithShape(4,2)))    gorgonia.Let(w, tensor.New(tensor.WithBacking([]float64{0.5, -0.2}), tensor.WithShape(2,1)))    gorgonia.Let(b, 0.1)

    if err := machine.RunAll(); err != nil {        fmt.Println(err)    }

    fmt.Printf("Resultado: %v", activated.Value())}

2. GoLearn — algoritmos clássicos de ML

GoLearn (golearn) — biblioteca com implementação de KNN, árvores de decisão, floresta aleatória, regressão linear e clusterização. A API lembra o sklearn.

Instalação:

go get -u github.com/sjwhitworth/golearn

Exemplo: K-vizinhos mais próximos (KNN)

package main

import (    "fmt"    "github.com/sjwhitworth/golearn/base"    "github.com/sjwhitworth/golearn/evaluation"    "github.com/sjwhitworth/golearn/knn")

func main() {    // Carregamento dos dados (CSV)    rawData, err := base.ParseCSVToInstances("iris.csv", true)    if err != nil {        panic(err)    }

    // Criação do KNN com k=3 e métrica euclidiana    cls := knn.NewKnnClassifier("euclidean", 3)

    // Divisão em treino/teste    trainData, testData := base.InstancesTrainTestSplit(rawData, 0.67)

    // Treinamento    cls.Fit(trainData)

    // Predição    predictions, err := cls.Predict(testData)    if err != nil {        panic(err)    }

    // Avaliação da acurácia    accuracy, err := evaluation.GetAccuracy(testData, predictions)    fmt.Printf("Acurácia: %.2f%%", accuracy*100)}

3. Goml — modelos leves para integração rápida

Goml fornece implementações simples de regressão linear e logística, Naive Bayes e redes neurais com código mínimo.

package main

import (    "fmt"    "github.com/cdipaolo/goml/base"    "github.com/cdipaolo/goml/text")

func main() {    // Dados para classificação de texto