Автор оригинала: Harshit Tyagi.
Битва между языками программирования всегда была горячей темой в технологическом мире. И учитывая, как быстрые технологии продвигаются, у нас есть новый язык программирования или рамки каждые несколько месяцев.
Это делает его более сложнее для разработчиков, аналитиков и исследователей, чтобы выбрать лучший язык, который будет эффективно выполнять свои задачи, не имеющие самую низкую стоимость.
Но я думаю, что мы склонны смотреть на неправильные причины выбора языка. Есть куча факторов, которые приводят к выбору определенного языка. И с научными проектами Data Projects затопляет рынок, вопрос не является «каким является лучшим языком», но «какой из них соответствует вашим требованиям проекта и окружающей среде (настройки работы)?»
Итак, с этим постом я представлю вас с правильным набором вопросов, которые вы должны просить, чтобы решить, какой язык программирования является лучшим языком программирования для вашего проекта науки о данных.
Наиболее часто используемые языки программирования для науки о данных
Python и R являются наиболее широко используемыми языками для статистического анализа или машинного обучения, ориентированных на проекты. Но есть другие – как Java, Scala или Matlab.
Как Python, и R являются современными языками программирования с открытым исходным кодом с большой поддержкой сообщества. И мы продолжаем изучать новые библиотеки и инструменты, которые позволяют нам достичь большего уровня производительности и сложности.
Питон
Python хорошо известен своими удобными для изучения и читаемого синтаксиса. С общей целью (JACK всех торг), как Python, вы можете построить полные научные экосистемы, не беспокоясь о проблеме совместимости или взаимодействия.
Код Python имеет низкие затраты на техническое обслуживание и, возможно, более надежно. От данных Wrangling к выбору функции, веб-соскабливание и развертывание моделей наших машин, Python может получить практически все, что сделано с поддержкой интеграции от всех основных API на ML и глубокому обучению, таких как Theano, Tensorflow и Pytorch.
R
R был разработан академиками и статистиками в течение двух десятилетий назад. R сегодня позволяет многим статистикам, аналитикам и разработчикам эффективно выполнять свой анализ. У нас есть более 12000 упаковок, доступных в Cran (хранилище открытого источника).
Поскольку было разработано в том, что имейте в виду статистики, R часто является первым выбором для всего основного научного и статистического анализа. Существует пакет в R для почти любого вида анализа.
Кроме того, анализ данных был сделан очень легко с инструментами, такими как Rstudio Это позволяет вам сообщать ваши результаты с лаконичными и элегантными отчетами.
4 вопроса, которые помогут вам выбрать лучшее подходящее язык для вашего проекта
Итак, как вы делаете правильный выбор для своей работы под рукой?
Попробуйте ответить на эти 4 вопроса:
1. Какой язык/рамка является предпочтительным в вашей организации/отрасли?
Посмотрите на отрасль, в которой вы работаете, и наиболее часто используемый язык ваших сверстников и конкурентов. Может быть легче, если вы говорите на одном языке.
Вот Анализ осуществляется Дэвид Робинсон ученый данных. Это отражение популярности R в каждой отрасли, и вы видите, что R сильно используются в академии и здравоохранении.
Итак, если вы тот, кто хочет войти в исследования, академии или биоинформатику, вы можете рассмотреть R через Python.
Другая сторона этой монеты включает в себя программные отрасли, приводвые организации и компании и компании на основе продуктов. Возможно, вам придется использовать технологичный стек инфраструктуры вашей организации или язык, который использует ваши коллеги/команды.
И большинство этих организаций/отраслей имеют свою инфраструктуру на основе Python, в том числе академии:
Как начинающий ученый, Поэтому вы должны сосредоточиться на изучении языка и технологий, которые имеют наибольшее количество приложений, и которые могут увеличить ваши шансы на получение работы.
2. Какова область вашего проекта?
Это важный вопрос, потому что до того, как вы получите язык, вы должны иметь повестку дня для вашего проекта.
Например, что, если вы хотите просто решить статистическую проблему через набор данных, выполните несколько многократных анализов, и приготовьте отчет или приборную панель, объясняющие понимание? В этом случае R может быть лучшим выбором. У него есть действительно мощная визуализация и библиотеки связи.
С другой стороны, что, если ваша цель – сначала выполнить поисковочный анализ, разработайте модель глубокой обучения, а затем разверните модель в веб-приложении? Затем веб-каркас и поддержка Python из всех основных облачных провайдеров делают его четким победителем.
3. Насколько вы испытывали в области науки о данных?
Для новичка в науке данных, имеющих ограниченное знакомство с Статистика и математические концепции, Python Может быть лучшим выбором, потому что он позволяет вам с легкостью кодировать фрагменты алгоритма.
С библиотеками, как Numpy Вы можете манипулировать матрицами и алгоритмами кода самостоятельно. Как новичок, всегда лучше научиться создавать вещи с нуля, а не прыгать на использование библиотек машинного обучения.
Но если вы уже знаете основы алгоритмов машинного обучения, вы можете забрать любой из языков и начать с ними.
4. Сколько времени у вас есть под рукой, а какова стоимость обучения?
Сумма времени, которое вы можете инвестировать, делает еще один случай на ваш выбор. В зависимости от вашего опыта работы с программированием и сроком доставки вашего проекта, вы можете выбрать один язык над другим, чтобы начать работу в поле.
Если есть высокий приоритетный проект, и вы не знаете ни одного из языков, R может быть более простым вариантом для начала, поскольку вам нужно ограниченный/без опыта с программированием. Вы можете написать статистические модели с несколькими строками кода с использованием существующих библиотек.
Python (часто выбор программиста) – отличный вариант, если у вас есть некоторая пропускная способность, чтобы исследовать библиотеки и узнать о методах изучения наборов данных. (В случае R это можно сделать быстро в пределах Rstudio.)
Другим важным фактором является то, что есть больше наставников Python по сравнению с R. Если вы тот, кто нуждается в помощи в проекте Python/R, вы можете искать Кодирование наставника здесь И использование этой ссылки также получит кредит в размере 10 долларов на регистрацию для использования для первой встречи наставника.
Заключение
В двух словах разрыв между возможностями R и Python становится уже. Большинство рабочих мест могут быть сделаны обоими языками. И оба имеют богатые экосистемы, чтобы поддержать вас.
Выбор языка для вашего проекта будет будет зависеть от:
- Ваш предыдущий опыт работы с наукой о данных (Статистика и математика) и программирование.
- Домен проекта под рукой и степень статистической или научной обработки.
- Будущий объем вашего проекта.
- Язык/рамки, который наиболее широко поддерживается в ваших командах, организации и промышленности.
Вы можете проверить видео версию этого блога здесь,
Наука данных с Гершитом
С этим каналом я планирую развернуть пару Серия, покрывающая все данные науки о данных Отказ Вот почему вы должны быть подписаны на Канал :
- Серия будет охватывать все необходимые/потребованные учебные пособия по качеству на каждой из темы, так и подходящих, как Основы Python для науки о данных Отказ
- Объясняла математику и производные, почему мы делаем то, что делаем в ML и глубокому обучению.
- Подкасты с данными ученых и инженеров в Google, Microsoft, Amazon и etc и CEOOS из крупных компаний, управляемых данными.
- Проекты и инструкции Для реализации темы выучены до сих пор.
Вы можете подключиться со мной на Twitter или LinkedIn Отказ