TIOBE 年度榜单揭晓:C 语言夺冠,Python 紧随其后

点击上方“CSDN”,选择“置顶公众号”

关键时刻,第一时间送达!

2017 年度榜单公布啦!C 语言成为了“年度编程语言”的获得者。C 语言自 2015 年 11 月以来就有下降趋势。在随后的很长一段时间里,其评分都在 15%-20% 之间波动,2016 年的评分甚至跌至 10% 以下,并且没有看到回升的势头。

然而 2017 年 C 语言一反常态,不仅获得了 1.69% 的增长,还成为了年度编程语言。我们查看往年的 TIOBE 年度榜单会发现,这样的增长率其实是不足以成为年度语言的,但 2017 年的各大语言的增长率似乎都普遍偏低,C 语言成了其中的佼佼者。

另外,作为亚军的 Python 增长了 1.21%,第三名的 Erlang,增长了 0.98%。

2017 年的年度排名中,我们还能看到进步非常显著的几门编程语言。比如,R 语言从第 16 名前进到了第 6 名,Erlang 从第 43 名进入到第 23 名。进步最明显的是 Kotlin,从第 89 名一跃飞至第 39 名,但比较遗憾,没能进入前 20 名或前 30 名。

同样被看好的还有 Julia 和 Hack,他们成功跻身前 50 榜单,Rust 虽然较之 2016 年排名有所下滑,不过也值得期待。

编程语言“名人榜”( 2003-2017)

“年度编程语言”获奖名单如下图所示,该奖项授予一年中增长率最高的编程语言:

年度编程语言排行榜 TOP20 榜单

Top 10 编程语言 TIOBE 指数走势(2002-2018)

其他编程语言排名

第21-50名如下,可能存在遗漏:

第51-100名如下,由于它们之间的数值差异较小,仅以文本形式列出(按字母排序):

(Visual) FoxPro, 4th Dimension/4D, Applescript, Awk, BBC BASIC, bc, Bourne shell, CFML, CL (OS/400), Clean, Clipper, Common Lisp, Crystal, Elm, Emacs Lisp, Forth, Icon, Inform, Io, J, Korn shell, Ladder Logic, Lasso, LiveCode, Maple, ML, Modula-2, Monkey, MOO, MQL4, NATURAL, NXT-G, OCaml, OpenCL, OpenEdge ABL, Oz, PL/I, PostScript, PowerShell, Programming Without Coding Technology, Q, Ring, RPG (OS/400), Scheme, Smalltalk, SPARK, Standard ML, Stata, VBScript, Verilog

历史排名(1988-2018)

注:以下排名位次取决于 12 个月的平均值。

【说明】

TIOBE 编程语言社区排行榜是编程语言流行趋势的一个指标,每月更新,这份排行榜排名基于互联网上有经验的程序员、课程和第三方厂商的数量。排名使用著名的搜索引擎(诸如 Google、MSN、Yahoo!、Wikipedia、YouTube 以及 Baidu 等)进行计算。请注意这个排行榜只是反映某个编程语言的热门程度,并不能说明一门编程语言好不好,或者一门语言所编写的代码数量多少。

这个排行榜可以用来考查你的编程技能是否与时俱进,也可以在开发新系统时作为一个语言选择依据。

注:封面图来自视觉中国。

相关阅读:


————— 推荐阅读 —————

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值