數(shù)據(jù)科學(xué)的實(shí)踐，需要使用算法和數(shù)據(jù)科學(xué)方法，來(lái)幫助數(shù)據(jù)專業(yè)人員從數(shù)據(jù)中提取洞察力和價(jià)值。Kaggle最近的一項(xiàng)調(diào)查顯示，數(shù)據(jù)專家在2017年比其他數(shù)據(jù)科學(xué)方法更多地使用數(shù)據(jù)可視化、邏輯回歸、交叉驗(yàn)證和決策樹(shù)技術(shù)。展望2018年，數(shù)據(jù)專業(yè)人員對(duì)學(xué)習(xí)深度學(xué)習(xí)（41％）最感興趣。

Kaggle于2017年8月對(duì)16,000多名數(shù)據(jù)專業(yè)人員進(jìn)行了調(diào)查。 他們的調(diào)查包括數(shù)據(jù)科學(xué)，機(jī)器學(xué)習(xí)，教育等方面的各種問(wèn)題。 Kaggle發(fā)布了原始調(diào)查數(shù)據(jù)，根據(jù)這些調(diào)查數(shù)據(jù)，我發(fā)現(xiàn)一些有趣的東西。今天的文章是關(guān)于2017年數(shù)據(jù)專業(yè)人員使用的數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)方法，以及2018年最令他們興奮的機(jī)器學(xué)習(xí)/數(shù)據(jù)科學(xué)方法。

1. 2017年最受歡迎的數(shù)據(jù)科學(xué)/分析工具，技術(shù)和語(yǔ)言

調(diào)查包括一個(gè)針對(duì)數(shù)據(jù)專業(yè)從業(yè)人員的問(wèn)題，“在工作中，你經(jīng)常使用以下數(shù)據(jù)科學(xué)方法？ （選擇所有使用的）”。平均而言，數(shù)據(jù)專家在2017年使用了5種（中值）數(shù)據(jù)科學(xué)方法。2017年使用的前5種數(shù)據(jù)科學(xué)方法是（見(jiàn)圖1）：

1. 數(shù)據(jù)可視化（49％）
2. Logistic回歸（42％）
3. 交叉驗(yàn)證（38％）
4. 決策樹(shù)（36％）
5. 隨機(jī)森林（34％）
6. 時(shí)間序列分析（31％）
7. 神經(jīng)網(wǎng)絡(luò)（28％）
8. PCA和維度降低（27％）
9. kNN和其他聚類(lèi)算法（26％）
10. 文本分析（25％）

對(duì)于自稱為“數(shù)據(jù)科學(xué)家”的數(shù)據(jù)專業(yè)人員，這些方法的使用率更高。這些數(shù)據(jù)科學(xué)家的采用率大約高出15-20個(gè)百分點(diǎn)（例如，66％用于數(shù)據(jù)可視化，61％用于邏輯回歸， 56％為決策樹(shù)，56％為隨機(jī)森林）。

KDNuggets最近的一項(xiàng)調(diào)查發(fā)現(xiàn)，與目前的研究結(jié)果類(lèi)似。在他們的研究中，頂級(jí)數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)方法還包括回歸（60％），聚類(lèi)（55％），可視化（51％），決策樹(shù)/規(guī)則（51％）和隨機(jī)森林（46％）。

2. 哪些2018年學(xué)習(xí)最為興奮的機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)方法？

另一個(gè)調(diào)查是，所有數(shù)據(jù)專業(yè)人士（不管是否正在工作），了解他們?cè)谙乱荒曜钆d奮的機(jī)器學(xué)習(xí)/數(shù)據(jù)科學(xué)方法。結(jié)果顯示，數(shù)據(jù)專業(yè)人員對(duì)深度學(xué)習(xí)最感興趣：

1. 深度學(xué)習(xí)（41％）
2. 神經(jīng)網(wǎng)絡(luò)（13％）
3. 時(shí)間序列分析（6％）
4. 貝葉斯方法（5％）
5. 文本挖掘（5％）

3. 小結(jié)

Kaggle對(duì)16,000多名數(shù)據(jù)專家的調(diào)查結(jié)果，揭示了工作中使用的最流行的數(shù)據(jù)科學(xué)方法。數(shù)據(jù)可視化和邏輯回歸列在首位。

毫不奇怪，10位數(shù)據(jù)專業(yè)人士中有4位表示，他們非常高興在明年學(xué)習(xí)深度學(xué)習(xí)。

深度學(xué)習(xí)是一類(lèi)機(jī)器學(xué)習(xí)算法，它是根據(jù)大腦的信息處理和通信模式建模的。

深度學(xué)習(xí)使用單位層或節(jié)點(diǎn)進(jìn)行特征提取和轉(zhuǎn)換，每層使用前一層的輸出作為輸入。

深度學(xué)習(xí)方法可用于營(yíng)銷(xiāo)，汽車(chē)，語(yǔ)音識(shí)別等領(lǐng)域。

這種對(duì)學(xué)習(xí)深度學(xué)習(xí)興趣的同時(shí)，調(diào)查結(jié)果還表明，用于深度學(xué)習(xí)的流行的開(kāi)源軟件TensorFlow是專業(yè)人士有興趣學(xué)習(xí)的頂級(jí)工具數(shù)據(jù)。

本文翻譯自：

http://businessoverbroadway.com/top-machine-learning-and-data-science-methods-used-at-work