当我的研究领域在Machine Learning (ML)时，我需要在Programming Languages (PL)进行一个项目。因此，我正在寻找一个倾向于ML的项目。
我知道这两个领域之间的一个交集是Natural Language Processing (NLP)，但我找不到与PL相关的具体论文;可能是因为我在搜索查询中对关键字的选择不当。
PL课程的主要主题是Syntax & Symantics, Static Program Analysis, Functional Programming, and Concurrency and Logic programming：
如果您能推荐对机器学习爱好者友好的论文或关键字，我们将不胜感激！
这些领域中另一个非常重要的交叉点是概率编程语言，它提供对指定为实际计算机程序的模型的概率推理。这是一个不断发展的研究领域，包括最近启动的DARPA关于这个主题的项目。
如果您对NLP感兴趣，那么我将重点介绍列出的PL学科的两个方面：
- 语法和语义 - 因为这与NLP领域非常接近，在大多数情况下，理解是基于各种语言语法的。搜索有关
language modeling、information extraction、deep parsing的论文，将产生数十个与sytax/语义学问题相关的重要研究课题。 - 逻辑编程——"在美好的过去"，人们认为这是人工智能的未来，尽管它（目前）不是真的，但它仍然在某些领域被相当广泛地用于推理。特别是，
prolog是一个很好的语言示例，可用于 reson（例如spatial-temporal reasoning）甚至解析语言（由于其"类似语法"的产品）。
如果你想解决一些更ML相关的问题，而不是NLP那么你可以专注于concurrency（并行性），因为它是一个非常热门的话题 - 使ML模型更具可扩展性，更高效，"更大，更快，更强";)只需查找关键字，如GPU Machine Learning，large scale machine learning，scalable machine learning等。
我也碰巧知道爱丁堡大学有一个关于使用机器学习来分析源代码的项目。这是它出版的第一份出版物