Lush

Lush está diseñado para ser utilizado en situaciones en las que uno quiere combinar la flexibilidad de un alto nivel, lenguaje interpretado débilmente tipado, con la eficiencia de un lenguaje fuertemente tipado, nativo compilado, y con la fácil integración del código escrito en C, C ++, u otros lenguajes.
Este lenguaje puede ser utilizado para investigaciones en la señal y el procesamiento de imágenes, aprendizaje automático, visión artificial, la bioinformática, la estadística, la simulación, la optimización, la minería de datos o AI.
Se ejecuta en GNU / Linux, Solaris, Irix y Windows bajo Cygwin.
Lozano se puede utilizar ventajosamente para proyectos donde uno de lo contrario usar una combinación de un lenguaje interpretado como Matlab, Python, Perl, S + o BASIC, y un lenguaje compilado como C.

Características :.

• Una sintaxis Lisp-como muy limpio, sencillo y fácil de aprender
• Un compilador que produce código C muy eficiente y se basa en el compilador C para producir código nativo eficiente (sin código de bytes ineficientes o máquina virtual).
• Una manera fácil de interactuar funciones C y bibliotecas, y un poderoso enlazador / cargador dinámico para los archivos de objetos o bibliotecas (.o, .a y archivos .so) escritos en otros lenguajes compilados.
• La capacidad de mezclar libremente Lisp y C en una sola función.
• Un potente conjunto de operaciones vector / matriz / tensor.
• Una enorme biblioteca de más de 10.000 rutinas numéricas, incluidas las interfaces completas a GSL, LAPACK y BLAS.
• Una biblioteca de imágenes y procesamiento de señales rutinas.
• Un amplio conjunto de rutinas gráficas, incluyendo un conjunto de herramientas orientadas a objetos GUI, una interfaz para OpenGL / GLU / GLUT, y el motor de renderizado escena OpenInventor.
• Una interfaz para el Simple Directmedia Layer (SDL) biblioteca multimedia, incluyendo una clase sprite con detección de colisiones de píxeles precisa (perfecto para los juegos en 2D).
• Sonido y video agarrando (con ALSA y Video4Linux).
• Varias bibliotecas para aprendizaje automático, redes neuronales, la estimación estadística, modelos ocultos de Markov (gblearn2, Antorcha, HTK, SVM).
• Bibliotecas de la visión por computador (OpenCV, de código abierto de Intel Visión Library), y 3D escena de la representación (OpenInventor).
• Vinculaciones a la API JavaVM y a la API de Python C.

¿Cuál es nuevo en esta versión:

• Este comunicado restaura soporte para Mac OS X y contiene algunas correcciones de errores.

¿Qué hay de nuevo en la versión 2.0 Beta 2:

• Esta versión corrige problemas se acumulan en Solaris y Mac OS X 10.5, así como algunos errores menores.