【算法】机器学习和数据科学最常用到的TOP10算法

数据科学的实践，需要使用算法和数据科学方法，来帮助数据专业人员从数据中提取洞察力和价值。Kaggle最近的一项调查显示，数据专家在2017年比其他数据科学方法更多地使用数据可视化、逻辑回归、交叉验证和决策树技术。展望2018年，数据专业人员对学习深度学习（41％）最感兴趣。

Kaggle于2017年8月对16,000多名数据专业人员进行了调查。 他们的调查包括数据科学，机器学习，教育等方面的各种问题。 Kaggle发布了原始调查数据，根据这些调查数据，我发现一些有趣的东西。今天的文章是关于2017年数据专业人员使用的数据科学和机器学习方法，以及2018年最令他们兴奋的机器学习/数据科学方法。

1. 2017年最受欢迎的数据科学/分析工具，技术和语言

调查包括一个针对数据专业从业人员的问题，“在工作中，你经常使用以下数据科学方法？ （选择所有使用的）”。平均而言，数据专家在2017年使用了5种（中值）数据科学方法。2017年使用的前5种数据科学方法是（见图1）：

1. 数据可视化（49％）
2. Logistic回归（42％）
3. 交叉验证（38％）
4. 决策树（36％）
5. 随机森林（34％）
6. 时间序列分析（31％）
7. 神经网络（28％）
8. PCA和维度降低（27％）
9. kNN和其他聚类算法（26％）
10. 文本分析（25％）

对于自称为“数据科学家”的数据专业人员，这些方法的使用率更高。这些数据科学家的采用率大约高出15-20个百分点（例如，66％用于数据可视化，61％用于逻辑回归， 56％为决策树，56％为随机森林）。

KDNuggets最近的一项调查发现，与目前的研究结果类似。在他们的研究中，顶级数据科学和机器学习方法还包括回归（60％），聚类（55％），可视化（51％），决策树/规则（51％）和随机森林（46％）。

2. 哪些2018年学习最为兴奋的机器学习和数据科学方法？

另一个调查是，所有数据专业人士（不管是否正在工作），了解他们在下一年最兴奋的机器学习/数据科学方法。结果显示，数据专业人员对深度学习最感兴趣：

1. 深度学习（41％）
2. 神经网络（13％）
3. 时间序列分析（6％）
4. 贝叶斯方法（5％）
5. 文本挖掘（5％）

3. 小结

Kaggle对16,000多名数据专家的调查结果，揭示了工作中使用的最流行的数据科学方法。数据可视化和逻辑回归列在首位。

毫不奇怪，10位数据专业人士中有4位表示，他们非常高兴在明年学习深度学习。

深度学习是一类机器学习算法，它是根据大脑的信息处理和通信模式建模的。

深度学习使用单位层或节点进行特征提取和转换，每层使用前一层的输出作为输入。

深度学习方法可用于营销，汽车，语音识别等领域。

这种对学习深度学习兴趣的同时，调查结果还表明，用于深度学习的流行的开源软件TensorFlow是专业人士有兴趣学习的顶级工具数据。

本文翻译自：

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