数据科学家使用的10个最流行的机器学习框架

数据科学工作是最令人垂涎的职业之一，在过去三年的“玻璃门最佳就业机会”排行榜上排名第一，而且拥有合适技能的人的平均工资也很高。根据图8最近的一份报告，这些专业人士对工作的满意度也很高：89%的数据科学家表示他们热爱自己的工作，而2015年这一比例为67%。

该报告发现，对数据科学家的需求仍然很高：在接受调查的240名数据科学家中，49%的人表示，他们每周至少会接到一份新工作的联系。造成这种情况的部分原因是，越来越多的公司正在扩大数据的收集和使用，并需要一位能够分析数据的专业人士来推动商业洞察力，并将其应用于机器学习和人工智能(AI)等新技术。

报告发现，大约90%的数据科学家表示，他们的一些工作为人工智能和机器学习项目提供了信息。近40%的人说，他们的大部分工作都是这样做的。然而，这并不意味着这项工作没有挑战：约55%的受访者表示，培训数据的质量和数量是他们工作中最大的挑战。

数据科学和机器学习仍然是比较年轻的领域，所以对于哪种语言、工具和框架是最好的，还没有达成压倒性的共识。尽管机器学习社区基本上已经开始使用Python(61%)，但根据报告，机器学习框架的使用仍然存在很大的差异。

根据报告，以下是数据科学家使用的前10个机器学习框架：

值得强调的是，许多流行的工具都是开源的--包括Pandas、Numpy、Scikit-Learning、Matplotlib和TensorFlow--报告指出，这表明这个社区更喜欢开源、社区驱动的软件。由于许多这样的框架已经存在多年了，早期的采用者很可能已经非常熟悉这些框架了，其他人需要时间、精力和性能质量才能将他们从高层职位中剥离出来。

通过遵循这些专家提示，以及阅读关于数据科学创新的见解，掌握大数据分析的基本原理。星期一交货星期一