برنامه نویسی

در اواخر سال 1994 یک گروه انتخاب شده از برنامه نویسان از سراسر ایالات متحده برای بحث در مورد سلاح های مخفی جدید خود ملاقات کردند.

بری ورشو یکی از 20 توسعه دهنده است که در آن اولین کارگاه برای زبان برنامه نویسی پایتون تازه ساخته شده پایتون حضور دارد و به یاد آوردن هیجان قابل ملاحظه در میان کاربران اولیه است.

"من می توانم کسی را به طور خاص به یاد داشته باشم که گفت:" شما نمی توانید به کسی بگوئید که من اینجا هستم، زیرا استفاده ما از پایتون مزیت رقابتی است. " این سلاح مخفی آنهاست، درست است؟ "

حتی در آن جلسه اولیه، در اداره ملی استاندارد ایالات متحده در مریلند، ورشو می گوید آشکار است که پایتون چیزی جدیدی در نحوه نوشتن کد و به سادگی انجام کارها ارائه می دهد.

"وقتی اولین بار به پایتون معرفی شد، می دانستم که چیز خاصی وجود دارد؛ این ترکیب ترکیبی از قابلیت خواندن بود و لذت بردن از نوشتن کد پایتون بود"، او به یاد می آورد.

امروز شور و شوق برای پایتون به مراتب فراتر از دایره اولیه توسعه دهندگان گسترش یافته است و برخی پیش بینی می کنند که به زودی تبدیل به محبوب ترین زبان برنامه نویسی در جهان خواهد شد، زیرا کاربران همچنان به کاربران جدیدتر سریعتر از هر زبان دیگری اضافه می کنند. میلیون ها نفر از مردم هر روز از Python استفاده می کنند، با رشد چشمگیر در کاربران نشان می دهد که علائم کمی از تلخ شدن دارند.

پایتون برای وظایف بزرگ و کوچک توسط توسعه دهندگان حرفه ای و آماتور استفاده می شود و مخصوصا در بخش های وب، دانشمندان داده ها و مدیران سیستم محبوب است.

این پایتون که در اوایل امسال کمک کرد اولین تصاویر سیاهچاله را که تقریبا 500 میلیون تریلیون کیلومتر فاصله دارد، به هم متصل می کند، درست همانطور که پایتون است که شمار زیادی اسکریپت هک شده را بر روی رایانه های رومیزی در سرتاسر جهان می گذارد.

پایتون نقش مهمی در برخی از سازمان های شناخته شده در جهان بازی می کند و به Netflix کمک می کند تا فیلم ها را به بیش از 100 میلیون خانه در سراسر جهان بسپارد، اینستاگرام پدیده اشتراک گذاری عکس را به اشتراک می گذارد و از ناسا در اکتشاف فضا کمک می کند.

در برخی موارد، ظهور پایتون به طرز شگفت انگیزی و شگفت انگیزی است که گروه کمدی بریتانیایی آن را بعد از نامگذاری نامگذاری کرده است و در زبان خود، زبان برنامه نویسی به همان اندازه معروف و تاثیرگذار بوده است.

اگر واقعا می خواهید قابلیت ها و محدودیت های یادگیری ماشین را درک کنید، باید دستیار خود باشید. در اینجا یک لیست کوتاه از گزینه های برای مبتدیان است.
هر کس باید یک درک مفهومی از یادگیری ماشین داشته باشد تا بتوانند با تمرینکنندگان به طور موثرتر ارتباط برقرار کنند. برای اینکه واقعا بدانید که یادگیری ماشین چه چیزی می تواند و نمی تواند انجام دهد، شما باید با آن دست و پنجه نرم کنید، این همان چیزی است که کنجکاو، سازندگان حرفه ای و حل کننده های DIY انجام می دهند.


نقطه شروع برای افراد بر اساس آموزش و تجربه آنها متفاوت است. با این حال، عناوین منابع ممکن است لزوما این واقعیت را منعکس نکنند. در زیر یک لیست کوتاه از منابع با کمی درک به نیاز و ارزش خود را است. یادگیری عمیق، یک زیر شاخه یادگیری ماشین، عمدا حذف شده است تا تمرکز این مقاله را به یادگیری ماشین به طور کلی حفظ کنید.

مسابقات

مسابقات فرصتی را برای هر کسی فراهم می کند تا با یادگیری ماشین دست به کار شود. اجازه ندهید که کلمه "رقابت" شما را بترساند، زیرا شما منابع زیادی در این سایت ها برای هر کسی به صورت رایگان در اختیار دارید. بعدها، اگر تصمیم به رقابت دارید، و اگر موقعیتی برجسته ای در هیئت مدیره رهبر کسب کنید، شما باید چیزی بیشتر به رزومه خود اضافه کنید.

Kaggle یک پلتفرم علمی داده است که کسب و کارها برای حل مشکل به مشکل برخورد می کنند. کاربران می توانند به مجموعه داده ها، هسته، دوره های مینی رایگان، انجمن، وبلاگ ها، پست های شغلی، مستندات و موارد دیگر دسترسی داشته باشند.

Open ML (بتا 2) خود را "جنبش فراگیر برای ساختن اکوسیستم باز، سازمان یافته و آنلاین برای یادگیری ماشین" توصیف میکند. این ابزارهای منبع باز را برای کشف و به اشتراک گذاری داده ها ایجاد می کند. شرکت کنندگان می توانند داده های باز را به محیط یادگیری ماشین های مورد علاقه خود بکشند و خود را با مدل های خود یا با کمک دانشمندان داده های اجتماعی بسازند.

AnalyticsVidhya خود را به عنوان "اکوسیستم علم اطلاعات نسل بعدی" قرار می دهد. وب سایت آن دسترسی به مسابقات، جامعه، آموزش، وبلاگ ها، گواهینامه ها و لیست های کاری را فراهم می کند.

دوره های آنلاین، bootcamps و برنامه های گواهینامه

توجه داشته باشید که بسیاری از دوره های مقدماتی، سطح پایه ای دانش را در اختیار همه قرار می دهند، بنابراین عناوین منابع می توانند گمراه کننده باشند. به عنوان مثال، دوره های مقدماتی و پیشرفته "Introduction to Machine Learning"، مهارت های برنامه نویسی R یا آموزش زبان Python و سطح دانش در کالج، جبر خطی و آمار را در نظر می گیرند. همچنین دوره هایی برای رهبران کسب و کار و دیگران که نیاز به مهارت های برنامه نویسی اساسی (نه لزوما در R یا Python) و مهارت های ریاضی پایه وجود دارد.

واژه های مشاوره از متخصصان

اگر میخواهید با یادگیری ماشین موفق شوید، جاش فلیچر، یک مهندس مکانیک در AI و مشاوره یادگیری ماشین Atrium، سه توصیه ارائه میدهد:

یاد بگیرید چگونه داده ها را بکشید و دستکاری کنید
داده های حقیقی هرگز به اندازه کافی در کتاب های درسی نیست
برای استفاده از مدل هایی که می سازید، باید بدانید که اطلاعات چه معنایی دارد. شما نمی توانید این را بدون درک عملیات تجاری بدانید
دانش آموخته سرباز آمین کاظروونی، زاپوپس توصیه می کند با مشکالت کسب و کار شروع به جای یادگیری دستگاه کند.

کازروونی گفت: "ایجاد مشکلات برای راه حل های سرد، به ندرت یک سرمایه گذاری صحیح است." "در عوض، به بزرگترین مشکلات و داده های شما نگاه کنید و سپس آن مشکلات را با داده های خود مطابقت دهید. این به شما اجازه می دهد تا راهکارهای یادگیری ماشین را برای مسائل اصلی کسب و کار آماده کنید [و] شما را برای احتمال بسیار بیشتر برای موفقیت در فضا آماده می کند. "

Konrad Pabianczyk، تیم مدیریت کسب و کار AI در Netguru طرفداران Scikit-Learn برای Python و Tensorflow است.

"Pabianczyk گفت:" Scitkit یادگیری دارای مدارک خوب هدفمند درک روش های مختلف است. " "این می تواند شروع خوبی برای یادگیری، به عنوان مثال .. که در آن الگوریتم های متعدد برای درک بهتر بهبود یافته مقایسه شده است. برای پیدا کردن چارچوب های یادگیری ماشین خاص، شروع به شروع با Tensorflow".

نسخه ی ژوئن سردبیر محبوب کد ویژگی های جدید و همچنین بهبود اشکال زدایی و عملکرد را اضافه می کند.

آخرین به روز رسانی در ویرایشگر ویژوال استودیو مایکروسافت، تعدادی پیشرفت برای توسعهدهندگان جاوا اسکریپت، C # و آموزش جاوا ارائه می دهد.

نسخه ژوئن ویرایشگر کد، یکی از محبوب ترین در جهان، ویژگی های متنوعی را اضافه می کند، هر دو به طور کلی و برای توسعه دهندگان در زبان های خاص طراحی شده است.

برای توسعهدهندگان که با JavaScript و Spin-off TypeScript کار میکنند، مایکروسافت عملکرد عملکرد را برای چک کردن و تکمیل کد بهبود داده است.

ویژوال استودیو کد اکنون قادر خواهد بود این کار را بین دو سرور TypeScript تقسیم کند، که یکی از آنها عملیات مبتنی بر ساده سازی نحو مانند کد تاشو را انجام می دهد، در حالی که دیگر ویژگی های پیشرفته مانند تکمیل کد IntelliSense و گزارش خطا را مدیریت می کند.

انتقال به دو سرور به این معناست که توسعه دهندگان دیگر نباید انتظار داشته باشند که سرور بتواند یک پروژه کل JavaScript یا TypeScript را ارزیابی کند قبل از اینکه بتواند عملیات ساده مانند کد بندی تاشو یا طرح مدارک را انجام دهد. برای فعال کردن این تنظیم دو سرور، مجموعه "writcript.experimental.useSeparateSyntaxServer": true و مطمئن شوید که از TypeScript 3.4 یا جدیدتر در فضای کاری خود استفاده می کنید.

پیشرفت های اشکال زدایی نیز وجود دارد، مایکروسافت اضافه کردن فرمان جدید 'پرش به مکان نما'، که از طریق منوی زمینه قابل دسترسی است.

در هنگام اشکال زدایی، 'پرش به مکان نما' به آن خط در کد جهش پیدا می کند و از آن نقطه به بعد اجرا می شود، بدون اجرای هر یک از کد های مداخله. این فرمان در حال حاضر تنها از افزونه C # در دسترس است، اما سایر برنامه های debug debugging باید به زودی دنبال کنند.

برای توسعه دهندگان باید برنامه ویژوال استودیو را برای ویرایش جاوا به دلیل پشتیبانی نسخه جدید جاوا اسکریپت نصب، آسانتر کند.

هنگام اجرای، نصب کننده به طور خودکار تشخیص می دهد که آیا JDK (جاوا توسعه کیت)، ویژوال استودیو کد و پسوند مورد نیاز در حال حاضر نصب شده است، و قادر به دانلود و پیکربندی هر گونه وابستگی های نرم افزاری از دست رفته است. همچنین می توانید از آن برای اضافه کردن اجزای مرتبط با جاوا به نصب موجود در ویژوال استودیو موجود استفاده کنید.

حرکت به منظور بهبود کلی در به روز رسانی، فرمان انتخاب پیش فرض Shell اکنون می تواند با نسخه های macOS و لینوکس VS Code مورد استفاده قرار گیرد، به کاربران اجازه می دهد تا ساده ترین پوسته ترمینال خود را از آنهایی که بر روی سیستم نصب شده اند، انتخاب کنند. همچنین گزینه های جدید برای تنظیم محیط برای VS Code Terminal مجتمع وجود دارد.

سایر موارد شامل پشتیبانی از کپی کردن محتویات پوشه توسط کشیدن و رها کردن آن به فایل اکسپلورر VS Code، یک گزینه جدید منوی زمینه ای است که اجازه می دهد تا ورودی های خاص در نوار وضعیت پنهان، راهنماهای عقب درختی و پشتیبانی از فرمت جدید TSLint 1.2 باشد.

دیروز، یک زبان برنامه نویسی جدید به اصطلاح به نام V، منبع باز بود. این به عنوان یک زبان ساده، سریع و کامپایل شده برای ایجاد نرم افزار قابل نگهداری توصیف شده است. خالق آن، الکس Medvednikov، می گوید که بسیار مشابه Go است و توسط Oberon، Rust و Swift الهام گرفته شده است.


چه چیزی از زبان برنامه نویسی V انتظار می رود؟
تدوین سریع

V می تواند به 1.2 میلیون خط کد در ثانیه در هر CPU کامپایل کند. این بدست آمده توسط نسل تولید مستقیم دستگاه و مدولار قوی است. اگر ما تصمیم به انتشار کد C، سرعت کامپایل به حدود 100K کد در ثانیه در هر پردازنده می افتد.

Medvednikov اشاره می کند که تولید نسل ماشین مستقیم هنوز در مراحل اولیه خود است و در حال حاضر تنها از x64 / Mach-O پشتیبانی می کند. او قصد دارد این ویژگی را تا پایان سال جاری پایدار کند.

ایمنی

به نظر می رسد یک زبان ایده آل است زیرا دارای هیچ متغیر صفر، جهانی، ارزش های نامشخص، رفتار نامشخص، سایه متغیر، و بررسی محدود است. این برنامه از متغیرهای قابل تغییر، توابع خالص و ساختارهای غیر قابل تغییر به طور پیش فرض پشتیبانی می کند. Generics در حال حاضر در حال پیشرفت هستند و برای ماه آینده برنامه ریزی شده اند.

کارایی

با توجه به وب سایت، V به همان سرعت C، نیاز به حداقل مقدار تخصیص، و پشتیبانی سریال داخلی ساخته شده بدون انعکاس زمان اجرا است. این کامپایل به باینری های بومی بدون وابستگی است.

فقط یک کامپایلر 0.4 مگابایت است

در مقایسه با Go، Rust، GCC و Clang، فضای مورد نیاز و زمان ساخت V بسیار بسیار کمتر است. کل زبان و کتابخانه استاندارد فقط 400 کیلوبایت است و می توانید آن را در 0.4 ثانیه بسازید. تا پایان سال جاری، نویسنده قصد دارد این زمان ساخت را به 0.15 ثانیه برساند.

ترجمه C / C ++

V اجازه می دهد تا V کد خود را به C یا C ++ ترجمه کنید. با این حال، این ویژگی در مرحله بسیار اولیه است، با توجه به اینکه C و C ++ یک زبان بسیار پیچیده هستند. خالق قصد دارد این ویژگی را تا پایان سال جاری پایدار کند.

توسعه دهندگان چه چیزی در مورد این زبان فکر می کنند؟
همانطور که توسعه دهندگان مایل به ایجاد یک زبان عالی برای ساخت برنامه های کاربردی هستند، بسیاری از افراد احساس کردند که V خیلی خوب است که درست باشد. با نگاهی به ادعاهای ساخته شده در سایت برخی از توسعه دهندگان فکر کردند که خالق بودن یا نبودن حقایق در مورد توانایی های V یا فریب مردم است.

یک زبان که سادگی Go را دارد و مدل مدیریت حافظه Rust چیزی است که هر کس می خواهد. با این حال، دلیل اصلی که باعث می شود مردم در مورد V شک و تردید است که در پشت ادعاهای سخت که باعث می شود، اثبات نشده است. یک کاربر در اخبار هکر گفت: "نویسنده ... V وعده و ادعا می کند که پس از آن، رد، تقلبی و یا غیر قابل تحمل است. مهمتر از همه، منبع برای toolchain V شده است به طور مکرر تند و تیز شده به عنوان به زودی، اما هرگز منتشر نشده است. بدون یک toolchain باز، هیچ یک از ادعاهای ساخته شده در صفحه اصلی V [2] را نمی توان تایید کرد. "

چیز دیگری که باعث می شود این پرونده مربوط به آن باشد این است که زبان برنامه نویسی V در حال حاضر در مرحله آلفا است و ناقص است. با وجود این، خالق از حساب Patreon خود به مبلغ 827 دلار در هر ماه می پردازد. "با این حال، تبلیغ یک محصول می تواند کاری انجام دهد و سپس انتشار آن را اعلام می کند که نمی تواند آن را انجام دهد، یک چیز است، اما پذیرش پول برای یک محصول که چیزی نیست که تبلیغ شده است، یک تقلب است، یک کاربر توضیح داد.

بعضی از توسعه دهندگان نیز حدس می زنند که خالق ممکن است فقط خجالت زده به باز کردن کد منبع خود را به دلیل انتخاب الگوهای الگویی بد است. یک کاربر فرض می کند، "V نرم افزار رایگان نیست، که ناامید کننده است اما نه غیر معمول؛ با این حال، V حتی منبع باز نیست، که یک جامعه سالم را ممنوع می کند. علاوه بر این، زبان های بسته تمایل به الگوهای بدی نظیر کپی رایت بر دیوار، ارتباطات ضعیف اجتماعی، رفتارهای دودویی غیر قابل اعتماد و انتشار محصولات / ویژگی های تاخیر دارند. بله، قطعا شرم آور است که سالها از تاریخ به نمایش گذاشته شود تا همه بتوانند ببینند، اما همه ما ظاهرا بر آن غلبه کرده ایم. پنهان شدن در کدبندی V چیست؟ ما نمی دانیم به عنوان یک حدس و گمان، من فکر می کنم نویسنده ممکن است از ماهیت خاص بوت استرپ خود خجالت بکشد. "

ویژگی های ذکر شده در وب سایت رسمی باور نکردنی هستند. تنها نگرانی این بود که خالق در مورد چگونگی رسیدن به آنها شفاف نبوده است. همچنین، همانطور که قبلا آن را بسته بود، هیچ راهی برای دیگران برای تایید تضمین های عملکرد وجود ندارد که وعده داده شده است، چرا که اغلب سردرگمی اتفاق افتاده است.

الکس Medvednikov در مورد اینکه چرا شما می توانید برنامه نویسی V اعتماد کنید
در مورد موضوعی که در GitHub گزارش شد، خالق اظهار داشت: "بنابراین شما به من اعتقاد دارید یا نه، ما خواهید دید که چه کسی در ماه ژوئن درست است. اما لطفا به من یک دروغگو، ناامید کننده و اطلاعات غلطی نپردازید. "Medvednikov شاید از پاسخ ها و گمانه زنی ها سر در آورده بود، او در جلسات مختلف بحث می کرد. توسعه یک زبان کاملا جدید نیاز به کار بسیار دارد و شاید مهلت های او بلندپروازانه باشد.

دیوید Medvednikov که روز چهارشنبه منتشر شد، اعلام کرد که فرآیند طراحی زبان، زیباترین نسخه چشم انداز او نیست. او نوشت: "هک های زیادی وجود دارد که من واقعا از آنها خجالت می کشم، مانند استفاده از os.system () به جای API core
اما شاید هنوز زود باشد بهتر است سراغ دوره های برنامه نویسی بهتری مانند دوره آموزش پایتون بروید!

ترکیب Power BI و خدمات مختلف پردازش اطلاعات Azure و نسل بعدی هوش تجاری و تجزیه و تحلیل کسب و کار را دریافت خواهید کرد.


جای تعجب نیست که بسیاری از خدمات مایکروسافت خود را در Azure ساخته شده است، اما به طور فزاینده مایکروسافت همچنین خدمات Azure را به عنوان راهی برای مشتریان برای گسترش و سفارشی کردن محصولات ارائه می دهد.

هنگامی که از جریان داده ها برای استخراج، تمیز کردن و تبدیل داده هایی که در Power BI بارگذاری می کنید استفاده می کنید، این داده ها در Azure Data Lake ذخیره می شوند. شما همچنین می توانید از آن در Azure Databricks یا برای تجزیه و تحلیل از Azure SQL Data Warehouse استفاده کنید که می توانید از طریق پورتال Azure انجام دهید یا با استفاده از برنامه Power BI Desktop برنامه تعاملی ایجاد کنید.

یادگیری ماشین اتوماتیک در Power BI از ویژگی AutoML از Azure Machine Learning است که به دنبال آن است که شما در حال تلاش برای پیش بینی و چه اطلاعاتی در دسترس شما هستید و از طریق چندین الگوریتم یادگیری ماشین برای کشف بهترین نمره استفاده کنید. یا شما می توانید خدمات Azure Cognitive Services را برای تجزیه و تحلیل داده ها در تصاویر و متن، یا ساخت مدل های یادگیری ماشین خود و اجرای آنها استفاده کنید.

Power BI هم اکنون دارای ویژوالایزرهای هوشمند مبتنی بر AI مانند Key Influencers است که تجزیه و تحلیل آماری مختلف مانند رگرسیون منطقی یا طبقه بندی داده ها را برای استخراج عوامل کلیدی مرتبط با یک نتیجه خاص انجام می دهد. شما فاکتورهایی را که فکر می کنید در تجسم بسیار مهم است را بکشید و Power BI آنها را رتبه بندی می کند. همانطور که فاکتورهای بیشتری را اضافه میکنید که فکر میکنید ممکن است مرتبط باشند یا به یک بخش خاص متصل شوند، مدل را دوباره اجرا میکنیم تا ببینیم آیا اطلاعات بیشتر چیزی جدید نشان میدهد یا خیر.

بنابراین اگر تجزیه و تحلیل می کنید که بازدید کنندگان به هتل شما می آیند تا دوباره بمانند، Key Influencer ممکن است کشوری باشد که از آن می آید. اما اگر بازدید کنندگان را در یک گروه سنی خاص انتخاب کنید، مدل فقط بر روی آن تکه ای از داده ها عمل می کند، جایی که Key Influencer ممکن است این باشد که آیا آنها در رستوران هتل خوردند یا درمان آب آشامیدنی داشتند. اگر به دنبال تاخیر در حمل و نقل هستید، می توانید عوامل دیگری را مطرح کنید که کدام بخش تقسیم را تحویل داده است، چه کارخانه ای از آن آمده است، یا چه منطقه ای از آن فرستاده شده است تا ببینید چه چیزی بیشترین تأثیر را بر چه چیزی وارد می کند و چه چیزی تحویل می شود .

دو تجسم AI جدید وجود دارد. تغییر توزیع به نظر می رسد که چه چیزی یک توزیع داده متفاوت از دیگران است. درخت تقسیم، چندین نمایش داده شده را به مدل Power BI ارسال می کند و سپس آنها را با یکدیگر پیوند می دهد، بنابراین شما می توانید بر روی یک متریک در یک تجسم کلیک کنید تا ببینید چه چیزی پشت سر آن است، و سپس کلیک کردن به سطوح مختلف داده را به عمق درک کنید. به این ترتیب، می توانید ببینید که آیا این 500 فروش در یک شهر توسط یک گروه خاص از مشتریان و یا بسیاری از مشتری های مختلف که هنوز هم چیزی مشترک دارند، هدایت می شود.

همه اینها می توانند به تجسم، داشبورد و ویژگی های Q & A طبیعی زبان که Power BI شناخته شده است، و همچنین گزارش های پینگ پینگ جدید که قبلا SQL Server نیاز داشتند، تغذیه کنند. به عنوان مثال، زمانی که از یادگیری ماشین خودکار استفاده می کنید، پیش بینی برای هر ردیف شامل جزئیات مربوط به پیش بینی می شود، بنابراین شما می توانید توضیح را در یک گزارش ارائه دهید تا مشخص شود که کدام ارقام از چه نوع ارقام استفاده می کنند و چه عوامل دخیل هستند.

جوانب مثبت داده
Power BI راه های مختلفی برای انجام این کار است، بسته به اینکه آیا شما یک دانشمند داده ای هستید که می خواهد کار خود را در دسترس بقیه کسب و کار یا تحلیل گرانی که مایل به استفاده از یادگیری ماشین است، اما مهارت های لازم را نداشته باشد خودشان.

دانشمندان داده می توانند مراحل را به یک جریان داده اضافه کنند تا اطلاعات را از داده های بدون ساختار مانند تصاویر یا متن تویت ها و یا بررسی ها استخراج کنند، با استخراج کلمات کلیدی، تجزیه و تحلیل احساسات یا تشخیص آنچه در یک عکس است. این توسط سرویس های شناختی طراحی شده است، اما بدون مراحل معمول نوشتن کد برای تماس با API - شما می توانید تجزیه و تحلیل تصویر و متن را به جریان داده اضافه کنید.

همانطور که خدمات جدید شناختی بیرون می آیند، Power BI بیشتر از این ویژگی ها را اضافه می کند. آخرین ها استخراج متن از تصاویر، تشخیص دست خط و تشخیص نهاد - نه تنها استخراج کلمات کلیدی، بلکه طبقه بندی آنچه که آنها اشاره می کنند. اگر صاحب هتل هستید که به بررسی در اینترنت میپردازید، شناسایی سازمان میتواند به شما بگوید که آیا «دوچرخه سواری» در یک بررسی به معنای یک مهمان خوشحال است که در سفر دوچرخه سواری ماند یا یک مهمان ناراضی که در مورد دوچرخه سواری تهویه مطبوع شکایت دارد و تمام شب.
اگر شما در حال ساخت مدل های یادگیری ماشین خود در Learning Azure Machine و انتشار آنها به عنوان یک سرویس وب هستید، می توانید تجزیه و تحلیل های Power BI را در سازمان خود بر اساس دسترسی به آنها از طریق پورتال Azure به آنها دسترسی داشته باشید و سپس آنها را نشان می دهند به عنوان مدل آنها می توانند همانند خدمات شناختی استفاده کنند. اگر می خواهید عکس ها را در بررسی های هتل تحلیل کنید، ممکن است نیاز به آموزش یک مدل تشخیص تصویر دلخواه برای درک تصاویری از چیزهایی که در یک هتل پیدا می کنید. عکسهای تهویه مطبوع، لامپهای برق، پنجره ها و آسانسورها در یک بررسی هتل احتمالا یک نشانه بد است، و مدل تشخیص تصویر استاندارد ممکن است آنها را به عنوان اشیاء مهم برجسته نکند.

و اگر شما در حال ساخت مدل یادگیری ماشین خود و با استفاده از پایتون و R برای ادغام آن در Power BI یا با استفاده از AutoML در Power BI برای کشف الگوریتم یادگیری ماشین با داده های خود، شما هم اکنون می توانید آپلود این مدل ها برای آموزش Azure Machine برای مدیریت آنها و یا بیشتر آنها را تنظیم کنید. به این معناست که تحلیلگران کسب و کار در دوره هوش تجاری می توانند از گزینه خودکار استفاده کنند، و اگر مفید باشد دانشمند داده می تواند آن را بیابد و آن را توسعه دهد.

و همه این بینش ها در طیف وسیعی از روش ها استفاده می شود. قدرتمند به عنوان داشبورد تعاملی و تجسم در Power BI، گاهی اوقات که کاربران کسب و کار می خواهند این گزارش آشنا است که آنها می توانند چاپ، خواندن و یا ایمیل به مشتری یا تامین کننده. Power BI در حال حاضر از همان گزارش های صفحه بندی شده با هدر ها و پاورقی ها و طرح های جدول، نمودار یا ماتریس به عنوان SQL Server Reporting Services (با ابزار جدید Report Builder برای ایجاد آنها) پشتیبانی می کند. گزارش های صفحه بندی شده بخشی از Power BI Premium هستند، اما آنها نیز با پایگاه داده Power BI Report Server سازگار هستند.

بنابراین اگر می خواهید تجزیه و تحلیل خود را از سرویس های گزارش دهی SQL Server به Power BI منتقل کنید، می توانید یک سیستم اطلاعات کسب و کار کسب و کار ایجاد کنید که طیف گسترده ای از تجزیه و تحلیل کسب و کار را از گزارشاتی که سازمان شما احتمالا در حال حاضر بستگی دارد، به طور خودکار بینشی در داده هایی پیدا می کند که لزوما ساختار یا عددی نیستند. اگر Power BI به تناسب نیازهای شما متکی باشد، این ایده این است که با Azure به راحتی گسترش یابد تا کاربران کسب و کار بتوانند خودشان را انجام دهند.

توسعه دهندگان واقعا از زبان برنامه نویسی Python استفاده می کنند؟

با توجه به نظرسنجی توسعه دهندگان توسط JetBrains (که همچنین Kotlin را معرفی کرد، زبان پیشرفته برای توسعه اندروید)، 49 درصد از آنها می گویند از تحلیل Python برای تحلیل داده ها استفاده می کنند، پیش از توسعه وب (46 درصد)، یادگیری ماشین (42 درصد ) و مدیریت سیستم (37 درصد).

تعداد قابل توجهی از توسعه دهندگان نیز از زبان برای تست نرم افزار (25 درصد)، نمونه اولیه نرم افزار (22 درصد) و "اهداف آموزشی" (20 درصد) استفاده می کنند. هرچند کمتر آن را برای گرافیک، توسعه جاسازی شده یا بازی / توسعه تلفن همراه انتخاب کردیم.


این داده ها فقط ایده کلی را تقویت می کند که پایتون بلای فضای تجزیه و تحلیل داده ها است. اگرچه زبانهای بسیار تخصصی مانند R جایگاه خود را در میان دانشگاهیان و تحلیلگران محققان بیشتر محسوب می شوند، اما واضح است که سهولت استفاده نسبی پایتون (به جز در همه جا آن)، آن را در بین کسانی که نیاز به اطلاعات را برای برخی از جنبه ها دارند، بسیار دوست دارند از مشاغل آنها.

این روند نیز برای مدت زمان زیادی ادامه دارد: در فوریه 2018، نظرسنجی KDnuggets نشان داد که کاهش مصرف R به نفع Python در بین جوانانی که از هر دو زبان استفاده می کنند، کاهش می یابد. در طول همان دوره، یک نظرسنجی جداگانه از Burtch Works نشان داد که استفاده از زبان در میان متخصصان تجزیه و تحلیل، از 53 درصد به 69 درصد در طی مدت مشابه دو سال افزایش یافته است، در حالی که پایگاه کاربری R تقریبا یک سوم کاهش یافته است.

اما شما همچنین نمی توانید از استفاده پایتون در یادگیری ماشین نادیده بگیرید، که به طور گسترده ای به عنوان بخش مهمی از تقریبا هر استراتژی فناوری آینده هر شرکتی مورد توجه است. اگر توسعه دهندگان از پایتون برای ساخت ابزار یادگیری ماشین استفاده می کنند، به این معنی است که زبان یک قفل بزرگ در ML / A.I دارد. اکوسیستم به نظر می رسد که چگونه نرم افزار آینده توسعه می یابد.


اگر پایتون را نمی دانید، این یک زبان حیاتی برای یادگیری است. خوشبختانه انواع وب سایت ها، کتاب ها و سایر منابع وجود دارد که می تواند شما را سریع کند.

کدام نسخه از پایتون را استفاده می کنید؟
داده های JetBrains نشان می دهد که اکثریت قابل توجه توسعه دهندگان (87 درصد) در پایتون 3 هستند، در حالی که 13 درصد هنوز در پایتون 2 هستند. این رشد بسیار سریع برای پایتون 3 است که سه چهارم بازار در سال گذشته داشت.

زبان به نسخه 3.7.3 است و تکرارهای جدید ویژگی های مفیدی را برای توسعه دهندگان اضافه می کند. به عنوان مثال، 3.7.0 شامل توابع زمان جدید، حالت UTF-8 مجازی، نقطه بوق ساخته شده، کلاس داده ها و حالت زمان اجرا است. به عبارت دیگر، توسعه دهندگان برای ادامه کار با نسخه قدیمی تر سخت است که در نسخه های بعدی به کار خود ادامه دهد تا زندگی آنها را ساده تر کند، مگر اینکه کار آنها مستلزم مبارزه با کد های میراثی باشند که قابل ارتقا نیست.

بسته به آنچه میخواهید انجام دهید، ممکن است بخواهید از پایتون 2 استفاده کنید. از این صفحه برای مقایسه 2.x و 3.x استفاده کنید، که شاید فرآیند تصمیمگیری شما را سادهتر کند.

با توجه به شاخص TIOBE، برنامه نویسی جاوا بیشترین استفاده از زبان برنامه نویسی است. جای تعجب نیست که آن را به عنوان شاخص بالا، ماه بعد از ماه، با تنها چند dips و slips. به طور کلی، محبوبیت جاوا همچنان نسبتا سازگار باقی می ماند، و آن را به عنوان یک اسباب امنیتی امن برای یک زبان برای هر توسعه دهنده مشخص می کند. در این راستا در کنار C قرار دارد.


با این حال، آیا جاوا همچنان ایستاده، در شاخص های آینده ثابت خواهد شد؟

ما چشمانمان را به پایتون تبدیل می کنیم. این زبان برنامه نویسی سال توسط TIOBE Index در سال 2018 به پایان رسید. آیا ممکن است جاوا از زمان حکومت خود را غصب کند؟ بیایید نگاهی به شاخص TIOBE برای ژوئن 2019 بیاندازیم.

ژوئن 2019 شاخص TIOBE
شاخص TIOBE در ماه ژوئن 2019، نظرسنجی قابل پیش بینی را با سرعت رشد پایتون تکان داد. زبان میزان تغییرات + 2.77٪ را مشاهده کرد، بیشترین دیده شده توسط شاخص.

در همین حال، در ماه جاری، تغییرات -0.36٪ برای جاوا و نرخ -1.64٪ تغییر برای C رخ داد.

فهرست TIOBE ادعا می کند:

این ماه Python در تمام مدت زمان بالا در شاخص TIOBE 8.5٪ رسیده است. اگر پایتون بتواند این سرعت را حفظ کند، احتمالا C و Java را در 3 تا 4 سال جایگزین می کند، در نتیجه تبدیل به محبوب ترین زبان برنامه نویسی در جهان خواهد شد. دلیل اصلی این است که مهندسی نرم افزار پررونق است. این تعداد زیادی از تازه واردان را به میدان می برد. روش برنامه نویی جاوا برای مبتدیان بسیار واضح است. برای به طور کامل درک و اجرای یک برنامه ساده مانند "hello world" در جاوا، شما باید از کلاس ها، روش های استاتیک و بسته ها مطلع شوید. در C این کمی ساده تر است، اما پس از آن شما با چهره با مدیریت صحیح حافظه مواجه خواهید شد. در پایتون این فقط یک خط کش است. به اندازه کافی گفت

براساس شاخص، زبان مجلسی و Groovy همچنین رشد اقتصادی این ماه را نیز مشاهده کردند. (در مقایسه با سال 2018، Groovy کمی افزایش یافته است. در این سال تعداد 14 رقم طول می کشد؛ در سال گذشته تعداد 60 عدد).

پایتون در حال افزایش است
بنابراین، سوال باقی می ماند: آیا پایتون در طولانی مدت جاوا و سی را پیشی می گیرد؟

مقاله ای از سیمون ریتر، "آن را دوست دارم یا از آن متنفر هستم، جاوا همچنان در حال تکامل است"، ماهیت قطبیگرایی زبان را مورد بحث قرار می دهد. ریتور می نویسد: "حتی پس از 24 سال، جاوا همچنان در بالای یا بسیار نزدیک به بالای بررسی هایی است که محبوبیت زبان های برنامه نویسی را رتبه بندی می کند ...".

همچنین ببینید: نتایج یادگیری ماشین را با مدل های پیش آموزش دیده در PyTorch Hub بازیابی کنید

یک انتقاد از این مفهوم که پایتون جاوایی و سی را پیش رو دارد، این است که همه سه زبان از اهداف متفاوت و برنامه نویسی استفاده می کنند. مقایسه آنها ممکن است یک مورد سیب در مقابل پرتقال باشد. اغلب، دانستن تنها یک کافی نیست، زیرا آنها 100٪ با یکدیگر همپوشانی ندارند. یک توسعه دهنده با استفاده از جاوا ممکن است قادر به تغییر تمام کد خود در Python نباشد و بنابراین جاوا همچنان در بالای صفحه قرار خواهد گرفت.

هر زبان برنامه نویسی قابل تعویض نیست. به عنوان مثال، پایتون نیز به عنوان زبان انتخابی برای مستندات علمی و علم اطلاعات حل و فصل شده است، که ممکن است دلیلی برای صعود به سمت بالا از نمودارها باشد. پایتون همچنین توسط شرکت های بزرگ / وب سایت های مانند Netflix، Dropbox و Reddit استفاده می شود.

دلیل دیگری که این پیش بینی ممکن است به خرج نرسد این است که چگونه TIOBE اطلاعات خود را جمع آوری می کند. روش آنها بستگی دارد به اینکه چگونه هر زبان در 25 موتور جستجو رتبه بندی می شود. این ممکن یا شاید محبوبیت واقعی زندگی را در خارج از نتایج موتور جستجو نشان نمی دهد.

بحث در مورد Python در مقابل R در جامعه دانشمند اطلاعات، در اینجا نحوه دو زبان برنامه نویسی مطابقت دارد.

پایتون در مقابل R یک بحث مشترک در بین دانشمندان داده است، زیرا هر دو زبان برای کار داده ها و در میان مهارت های اغلب ذکر شده در پست های شغلی برای موقعیت های داده های علمی مفید هستند. هر زبان مزایا و معایب مختلفی برای کار علمی داده است و باید بسته به کار شما انجام شود.

Norm Matloff، استاد علوم رایانه ای در دانشگاه کالیفرنیا دیویس، برای کمک به دانشمندان داده ها، یک زبان گیتفا را برای هدف قرار دادن برخی از نکات در این بحث نوشت.

Matloff R و Python را در 10 دامنه زیر مقایسه کرد تا تعیین کنند کدام زبان برنامه نویسی بهتر انتخاب شده است:

ظرافت
برنده: دوره آموزشی پایتون
در حالی که این ذهنیت است، پتون در هنگام برنامه نویسی به طور چشمگیری استفاده از پرانتز و پرانتز را کاهش می دهد، و آن را براق تر می کند، Matloff در پست نوشت.

منحنی یادگیری
برنده: R

در حالی که دانشمندان داده ها با پایتون باید بسیاری از مواد را برای شروع به یادگیری، از جمله NumPy، Pandas و matplotlib یاد بگیرند، انواع ماتریس و گرافیک پایه در پایه R ساخته شده است، Matloff نوشت.

وی با افزودن "R"، تازه کار می تواند تجزیه و تحلیل داده ها را در عرض چند دقیقه انجام دهد. "کتابخانه های پایتون می توانند برای پیکربندی، حتی برای سیستم های هوشمندانه، پیکربندی شوند، در حالی که اکثر بسته های R درست از جعبه خارج می شوند."

کتابخانه های موجود
برنده: جفت

شاخص بسته پایتون (PyPI) دارای بیش از 183000 بسته است، در حالی که شبکه جامع R Archive (CRAN) بیش از 12،000 دارد. Matloff نوشت، با این حال، PyPI نسبت به علوم داده بسیار نازک است.

"برای مثال، من یک بار به کد نیاز داشتم تا محاسبات سریع از نزدیکترین همسایگان یک نقطه داده داده شده را انجام دهم. (متاسفم کد را با استفاده از آن برای طبقه بندی انجام دهید)" ماتلوف نوشت. "من توانستم بلافاصله بجای دو بسته برای انجام این کار پیدا کنم. در مقابل، در حال حاضر من سعی کردم نزدیکترین کد همسایه برای پایتون را پیدا کنم و حداقل با جستجوی پرطرفدار من، دستیابی خالی به دست آمد؛ فقط یک پیاده سازی وجود داشت که خود را ساده و سر راست توصیف کرد، هیچ چیز سریع نیست. "

هنگامی که شرایط زیر را در PyPI جستجو می کنید، هیچ چیز نمی آید، Matloff افزود: مدل log-line؛ رگرسیون پواسون؛ متغیرهای ابزار؛ داده های فضایی؛ نرخ خطای خانوادگی.

یادگیری ماشین
برنده: پایتون (اما نه خیلی زیاد)

رشد گسترده پایتون در سال های اخیر بخشی از افزایش یادگیری ماشین و هوش مصنوعی (AI) است. Matloff نوشت: در حالی که دوره Python تعدادی از کتابخانه های دقیق را برای تشخیص تصویر ارائه می دهد، مانند AlexNet، نسخه های R نیز به آسانی قابل توسعه می باشند.

"قدرت کتابخانه های پایتون از تنظیم برخی از عملیات تشخیص تصویر است که می تواند به راحتی در پوشه Reras Keras اجرا شود و از این رو، یک نسخه خالص از TensorFlow می تواند توسعه یابد"، Matloff نوشت. "در همین حال، من می خواهم ادعا کنم که در دسترس بودن بسته های R برای جنگ های تصادفی و تقویت شیب قابل توجه است."

صحت آماری
برنده: R (تا کنون)

متلوف نوشت که متخصصان در یادگیری ماشین که برای پایتون طرفداری می کنند گاهی اوقات درک درستی از مسائل مربوط به آماری دارند. از سوی دیگر، از سوی آمارگیران، برای آمارگیران نوشته شده است.

محاسبات موازی
برنده: جفت

متلوف نوشت: نسخه های پایه R و Python پشتیبانی زیادی برای محاسبات چندگانه ندارند. بسته multiprocessing پایتون یک راه حل خوب برای مسائل دیگر آن نیست، و بسته موازی R نیز نیست.

ماتلوف نوشت: "کتابخانه های خارجی که از محاسبه خوشه پشتیبانی می کنند در هر دو زبان خوب هستند." "در حال حاضر پایتون رابط کاربری بهتر را به GPU ها دارد."

رابط C / C ++
برنده: R (اما نه خیلی زیاد)

متلوف نوشت: Rcpp R یک ابزار قدرتمند برای اتصال R به C / C ++ است. در حالی که پایتون ابزارهایی مانند swig برای انجام این کار دارد، آنقدر قدرتمند نیست و بسته Pybind11 هنوز در حال توسعه است. ماتلوف نوشت: ایده جدید ALTREP R همچنین دارای قابلیت بالقوه برای افزایش عملکرد و قابلیت استفاده است. با این حال، انواع Cython و PyPy از Python گاهی اوقات می تواند نیاز به رابط C / C ++ صریح را حذف کند.

جهت گیری شی، metaprogramming
برنده: R (اما نه خیلی زیاد)

ماتلوف نوشت، اگرچه توابع اشیا در هر دو R و Python هستند، R آن را جدی تر می گیرد.

او گفت: "هر زمان که من در پایتون کار می کنم، من از این واقعیت که من نمی توانم یک تابع را به ترمینال، که من در R بسیار کار می کنم، ناراحت هستم." پایتون تنها یک پارادایم OOP دارد. در R، شما انتخاب خود را از چند، هر چند برخی ممکن است بحث که این خوب است. با توجه به ویژگی های متالورژیم جادویی R (کد تولید کد)، دانشمندان کامپیوتر باید روی R قرار بگیرند. "

اتحاد زبان
برنده: پایتون (تا کنون)

در حالی که پایتون از نسخه 2.7 به 3.x منتقل می شود، این باعث ایجاد اختلال زیادی نمی شود. با این حال، متولف نوشت: R به دلیل تاثیرات RStudio: R و Tidyverse به دو گویش متفاوت تبدیل شده است.
ماتلوف نوشت: "شاید بهتر باشد اگر Tidyverse برتر از R معمولی باشد، اما به نظر من این نیست." "این باعث می شود همه چیز برای مبتدیان مشکل تر است."

ساختارهای داده مرتبط هستند
برنده: پایتون (به احتمال زیاد)

ماتلوف نوشت: "ساختار داده های کلاسیک علوم رایانه، مانند درخت های باینری، در پیونس آسان است." "در حالی که این را می توان در R با استفاده از کلاس" لیست "خود انجام داد، می توان حدس زد که آن آهسته است."

طبق یک گزارش آکادمی ابر 2018، هنگامی که به پست های کاری می آید، تقاضا برای مهندسان داده با R در مقایسه با افرادی که در پایتون مهارت دارند، کم است. تقریبا 66٪ از پست های پست شده توسط مهندسین داده مربوط به پایتون بوده است، در مقایسه با فقط 18٪ از پست هایی که اشاره کردید.

طبق گفته Cloud Academy، خارج از R و Python، دیگر مهارت های درخواستی برای مهندسان داده شامل SQL، Spark، Hadoop، Java، Amazon Web Services (AWS)، Scala و کافکا هستند.

زبان پایتون در حال حاضر یکی از محبوب ترین زبان برنامه نویسی در میان توسعه دهندگان است. با توجه به شاخص زبان برنامه نویسی Tiobe، این رتبه در جایگاه سوم پشت جاوا و C قرار دارد.

اما در این ماه Python تا 8.5 درصد در شاخص Tiobe، بالاترین میزان خود را با امتیاز 2.77 درصد نسبت به این زمان در سال گذشته افزایش داده است.

تحلیلگران Tiobe معتقدند که طی مدت سه تا چهار سال، پایتون "احتمالا جایگزین C و جاوا" خواهد شد تا محبوب ترین زبان برنامه نویسی در جهان شود. جاوا، محبوب ترین زبان، دارای رتبه شاخص 15 درصد است، در حالی که C دارای رتبه 13.3 درصد است.

با توجه به Tiobe، محبوبیت پایتون به وسیله رشد قوی در مهندسی نرم افزار و قابلیت استفاده از زبان در مقایسه با Java و C به وجود آمده است.

"دلیل اصلی این است که مهندسی نرم افزار پررونق است و بسیاری از تازه واردان را در این زمینه جذب می کند. روش برنامه نویسی جاوا برای مبتدیان خیلی واضح است. برای درک کامل و اجرای یک برنامه ساده مانند" سلام جهان "در جاوا که نیاز دارید برای اطلاع از کلاس ها، روش های استاتیک و بسته ها، "Tiobe گزارش می دهد.

"در C این کمی ساده تر است، اما پس از آن شما با مدیتیشن حافظه صریح به چهره خواهید رسید. در پایتون، این فقط یک چسب است."

زبانهای دیگر در بالای 10 پس از پایتون عبارتند از C ++، ویژوال بیسیک .NET، C #، جاوا اسکریپت، PHP، SQL و زبان Assembly.

شواهد دیگری از محبوبیت پایتون شامل بازار مایکروسافت ویژوال استودیو کد (VS Code) است که پسوند Python برای کد VS تا حد زیادی گسترش یافته است، با بیش از نه میلیون نصب، از آوریل 8 میلیون.

علاوه بر این، شرکت هایی مانند Netflix از پایتون در همه جا استفاده می کنند، از جمله برای ساخت الگوریتم های توصیه، مدیریت شبکه توزیع محتوا و خودکار سازی توابع امنیتی. و مفید بودن و انعطاف پذیری زبان به لطف کتابخانه های محبوب پایتون مانند TensorFlow و Numpy افزایش یافته است.

هم اکنون طراحان هر ماه در مورد سرریز پشته در مورد پایتون از جاوا اسکریپت سوال می کنند که از نظر تاریخی اغلب سوالات را جذب کرده است.

همانطور که سایت TechRepublic خواهر ZDNet اخیرا گزارش داده است، مطالعه ای از 12 میلیون متخصص فناوری اطلاعات نشان داد که مجموع ساعت های صرف شده در آموزش پایتون، از 2017 تا 2018 به 20 درصد افزایش یافته است که به حدود 200،000 ساعت افزایش می یابد.

علم اطلاعات بسیاری از پیروان را جذب کرده است، این واقعیت از تعداد زیادی ثبت نام در سمینارهای علمی داده ها و کارگاه ها و هکاتون داده ها فراتر رفته است. دانشمند داده یکی از پرطرفدارترین شغل در صنعت امروز است و با تقاضای فراوان، نیاز به افرادی است که دارای مهارتهای لازم برنامه نویسی و تخصص ریاضی هستند.

قبل از به دست آوردن تخصص، یک دانشمند مشتاق داده باید بتواند تصمیم درستی بگیرد که کدام زبان برنامه نویسی برای کار استفاده شود. تعدادی از زبان های برنامه نویسی وجود دارد که می تواند برای نوشتن کد ها بسته به کار در دست باشد. در اینجا یک لیست از زبان های برنامه نویسی بالا برای تحلیل های پیشرفته، یادگیری ماشین و علوم داده وجود دارد.

 پایتون
پایتون یک هدف کلی ساده و یک زبان برنامه نویسی چند پارادایم است که بر تعداد زیادی از کتابخانه ها کمک می کند تا کاربران را به انجام وظایف مختلفی از جمله اتوماسیون، چند رسانه ای، رابط کاربری گرافیکی، پایگاه داده، متن و پردازش تصویر. دوره آموزشی پایتون یک زبان آسان برای یادگیری و کار با آن است که توسط هر دو دانش آموز و استخدام شده ترجیح داده شده است. پایتون ترکیبی از رابط کاربری با الگوریتم های با کارایی بالا که در Fortran یا C نوشته شده است و تبدیل به یک زبان برنامه نویسی پیشرو برای دانش داده های باز است که به طور گسترده ای در توسعه وب، محاسبات علمی، داده کاوی و دیگر موارد استفاده می شود.

 

R
R یک زبان منبع باز و محیط نرم افزاری است که به طور گسترده ای برای محاسبات و گرافیک های آماری استفاده می شود. بسیاری از کارکنان R به عنوان یک الزام اساسی در یادگیری ماشین و علوم داده مورد نیاز است. R یک مهارت برنامه نویسی قوی شی گرا را ارائه می دهد که به آن مزیت بیش از دیگر زبان های محاسباتی را می دهد. R به شدت مورد استفاده برای تولید گراف ها و دیگر نمادهای ریاضی به استثنای ایجاد آرایه ها، فریم های داده، بردارها و ماتریس ها است. R به عنوان یک جایگزین برای SAS و Matlab عمل می کند، محبوبیت R می تواند به طور گسترده ای درک شود زیرا این انتخاب برای شرکت هایی مانند فیس بوک و گوگل انتخاب شده است.

 

SQL
زبان پرسوجو سازه ای (SQL) برای مقابله با پایگاه های داده های بزرگ مورد استفاده قرار می گیرد و به ویژه در به روز رسانی، جستجو و دستکاری پایگاه های داده مفید است. SQL در مدیریت پایگاههای داده ای به خصوص بزرگ استفاده می شود و زمان چرخش برای درخواست های آنلاین را با زمان پردازش سریع آن کاهش می دهد. یک دانشمند کارآمد داده باید اطلاعات زیادی از پایگاه داده استخراج و خراب کند، به همین علت، دانش SQL باید باشد. SQL یک زبان برنامه نویسی آسان برای یادگیری با آسان به درک نحو، مانند SELECT نام از کاربران که سن> 30.

 

MATLAB
 
MATLAB یک زبان محاسباتی عددی است که توسط Mathworks طراحی شده و برای محاسبات عددی با زمینه مشابه به پایتون طراحی شده است. MATLAB مبتنی بر C، C ++، و زبان های برنامه نویسی جاوا، سریع، پایدار و الگوریتم های جامد برای زبان محاسباتی عددی است که توسط کل دانشگاه و صنعت مورد استفاده قرار می گیرد. MATLAB به عنوان یک زبان مناسب برای ریاضیدانان و دانشمندان با نیازهای پیچیده ریاضی مانند پردازش تصویر، جبر ماتریس و پردازش سیگنال برخورد می شود.

 

اسکالا
Scala (زبان مقیاس پذیر) یک زبان برنامه نویسی منبع باز است که دارای یکی از بزرگترین پایگاه های کاربری است. Scala انتخاب ایده آل زبان با برنامه نویسان است که در مجموعه داده های با حجم بالا کار می کنند، زیرا پشتیبانی کامل از برنامه نویسی کاربردی و یک سیستم نوع استاتیک قوی ارائه می دهد. کاربران می توانند از Scala در ارتباط با Spark استفاده کنند، و Scala را یک زبان برنامه نویسی ایده آل در هنگام برخورد با حجم زیادی از داده ها. Scala از برنامه های OOP و برنامه های کاربردی پشتیبانی می کند و می تواند برای نوشتن برنامه های وب استفاده شود.

 

جولیا
جولیا یک زبان برنامه نویسی پویا سطح بالا برای محاسبات و تجزیه و تحلیل عددی است. جولیا قادر به برنامه نویسی همه منظوره است و تبدیل به یک انتخاب عالی برای مقابله با پروژه های پیچیده که شامل مجموعه های داده های با حجم بالا است تبدیل شده است. برای کدنویسی که نحو کار با مقدار همگانی پایتون را به کار میگیرد، جولیا زبان برنامهنویسی بعدی است که میخواهند یاد بگیرند.

چشم انداز علم داده به سرعت در حال پیشرفت است، زیرا کسب و کار ها یاد می گیرند که اهمیت داده ها برای آنها با نیاز به دانش دانشمندان همچنان رشد می کند. مهارت های شناخته شده و دانش زبان های داده های علمی نه تنها دانش حرفه ای داده های کاربر را به ارتفاعات جدید می برد بلکه موجب رشد سازمان هایی خواهد شد که در پی پیاده سازی پروژه های داده های علمی هستند. ما امیدواریم که این فهرست قطعی به دانشمندان داده و علاقه مندان به علوم داده کمک کند!