數據科學的實踐，需要使用算法和數據科學方法，來幫助數據專業人員從數據中提取洞察力和價值。Kaggle最近的一項調查顯示，數據專家在2017年比其他數據科學方法更多地使用數據可視化、邏輯回歸、交叉驗證和決策樹技術。展望2018年，數據專業人員對學習深度學習（41％）最感興趣。

Kaggle于2017年8月對16,000多名數據專業人員進行了調查。 他們的調查包括數據科學，機器學習，教育等方面的各種問題。 Kaggle發布了原始調查數據，根據這些調查數據，我發現一些有趣的東西。今天的文章是關于2017年數據專業人員使用的數據科學和機器學習方法，以及2018年最令他們興奮的機器學習/數據科學方法。

1. 2017年最受歡迎的數據科學/分析工具，技術和語言

調查包括一個針對數據專業從業人員的問題，“在工作中，你經常使用以下數據科學方法？ （選擇所有使用的）”。平均而言，數據專家在2017年使用了5種（中值）數據科學方法。2017年使用的前5種數據科學方法是（見圖1）：

1. 數據可視化（49％）
2. Logistic回歸（42％）
3. 交叉驗證（38％）
4. 決策樹（36％）
5. 隨機森林（34％）
6. 時間序列分析（31％）
7. 神經網絡（28％）
8. PCA和維度降低（27％）
9. kNN和其他聚類算法（26％）
10. 文本分析（25％）

對于自稱為“數據科學家”的數據專業人員，這些方法的使用率更高。這些數據科學家的采用率大約高出15-20個百分點（例如，66％用于數據可視化，61％用于邏輯回歸， 56％為決策樹，56％為隨機森林）。

KDNuggets最近的一項調查發現，與目前的研究結果類似。在他們的研究中，頂級數據科學和機器學習方法還包括回歸（60％），聚類（55％），可視化（51％），決策樹/規則（51％）和隨機森林（46％）。

2. 哪些2018年學習最為興奮的機器學習和數據科學方法？

另一個調查是，所有數據專業人士（不管是否正在工作），了解他們在下一年最興奮的機器學習/數據科學方法。結果顯示，數據專業人員對深度學習最感興趣：

1. 深度學習（41％）
2. 神經網絡（13％）
3. 時間序列分析（6％）
4. 貝葉斯方法（5％）
5. 文本挖掘（5％）

3. 小結

Kaggle對16,000多名數據專家的調查結果，揭示了工作中使用的最流行的數據科學方法。數據可視化和邏輯回歸列在首位。

毫不奇怪，10位數據專業人士中有4位表示，他們非常高興在明年學習深度學習。

深度學習是一類機器學習算法，它是根據大腦的信息處理和通信模式建模的。

深度學習使用單位層或節點進行特征提取和轉換，每層使用前一層的輸出作為輸入。

深度學習方法可用于營銷，汽車，語音識別等領域。

這種對學習深度學習興趣的同時，調查結果還表明，用于深度學習的流行的開源軟件TensorFlow是專業人士有興趣學習的頂級工具數據。

本文翻譯自：

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