2020 年研究数据科学和机器学习的前 8 本书
本文涵盖了一些最受欢迎的数据科学书籍，旨在帮助新手探索数据科学的世界，并帮助有经验的从业者获得更深入的知识。以下是我发现有用或被推荐的前 8 条。
以下书籍将让你了解和理解数据科学的重要领域，如统计学、数据科学、机器学习、深度学习和部署。
入门水平
1.统计学习导论
作者:加雷斯·詹姆斯、丹妮拉·威滕、特雷弗·哈斯蒂和罗伯特·蒂布拉尼
这本书非常适合初学者，有很多插图和真实世界的场景，结合在一起是一堂容易理解的机器学习课。这本书的长处在于解释关键概念。我也可以向 Python 开发人员强烈推荐这一点。广泛应用于大学课程。
2.数据科学家实用统计学
彼得·布鲁斯
这是数据科学统计学中许多概念的综合参考指南。这是一本在统计学和数据科学之间架起桥梁的好书。尽管这本书假设读者熟悉 R，但它仍然是 Python 程序员学习统计概念的好书。
3.数据科学和大数据分析:发现、分析、可视化和呈现数据
本书介绍了大数据并涵盖了数据分析生命周期。这本书易于阅读，并且澄清了所有的概念，否则你可能很难在其他地方找到。还向读者介绍了使用 MapReduce、Hadoop 和 SQL 的高级分析。
4.制作更好的数据可视化的好图表、提示工具和练习
作者:斯科特·贝里纳托
在本书中，你将学会如何选择最适合你的数据的图表；当你有决策者的五分钟时间时，与他们沟通的最有效方式；如何有效地使用色彩？
中间能级
5.Python 数据科学手册
杰克·范德普拉斯
Python 数据科学手册也是所有标准 Python 库的优秀指南:NumPy、pandas、Matplotlib、Scikit-learn。对于有 Python 经验但需要数据科学工作可用工具指南的人来说，这是完美的。
专家级
如果你是专家级别的，那么我会推荐阅读科学论文。
6.概率视角下的机器学习
凯文·p·墨菲
如果你对数学感兴趣，那么你会喜欢这本书，并且作为机器学习研究的参考非常有用。
7.机器学习向往
作者:吴恩达
这本书旨在教数据科学家如何构建机器学习项目，并为数据科学团队设定方向。它很好地概述了何时以及如何使用机器学习，以及如何处理在现实世界中实现人工智能所涉及的复杂性。
8.生产中的数据科学；用 Python 构建可扩展的模型管道
作者本·G·韦伯
这本书涵盖了云部署、开发 web 端点和**机器学习模型。**韦伯从自上而下的方法教导:建立可复制的模型，在生产中可以很好地扩展。在 PySpark 、 Pub/Sub 技术和 Kafka 之间，Weber 深入研究了基本的数据科学工具。
2020 年十大商业智能工具
如何挑选适合企业学习的工具？
Artem Beliaikin 在 Unsplash 上拍摄的照片
在当今快速发展的世界中，当技术以前所未有的速度发展时，有大量的工具和技能需要探索、学习和掌握。在这个数字和数据时代，商业信息和情报已经在很大程度上爬上了重要商业技能的阶梯，如果
如今，商业智能可以被视为重要的组织能力！如今，借助 BI，组织可以通过潜在提升品牌知名度、内部参与度、组织效率和盈利能力来推动其业务远远领先于竞争对手。
到 2021 年底，商业智能和分析行业的价值预计将飙升至 265 亿美元
此外，使用商业智能分析的公司做出更快、更明智决策的可能性是的五倍。在这种情况下，增强商业智能技能是至关重要的。在这个故事中，我列出了 2020 年行业中使用的顶级 BI 工具。现在有很多商业智能工具在使用，但是下面是最流行的，按字母顺序排列。
让我们来认识他们吧！
1.谷歌数据工作室
谷歌数据工作室于 2016 年首次推出，可能是谷歌必须提供的免费的基于网络的套件，但谷歌对商业智能的用户友好、直观的设计可能是其最强的卖点之一。
优点:可以很好地处理来自 Google 的数据，比如 Google Analytics，Search Console，AdWords，YouTube analytics 等等。你可以从谷歌表单中获取任何你想要的数据。
缺点:从其他来源的数据中提取大量的预建连接器并没有什么好处。需要很多才能使处理各种数据类型变得容易。
至于可视化和分析功能，与其他分析套件相比，Data Studio 提供了相当多的选项。Data Studio 的另一个潜在缺点是它完全基于网络。对于那些愿意直接访问您提供的链接的人来说，共享很容易，但是您将无法导出为 pdf 或任何其他常见的报告格式，并且自动报告交付也受到限制。
谷歌数据工作室卖什么？
- Data Studio 有许多第三方连接器来连接和提取数据，如亚马逊卖家、Stripe、脸书广告、易贝和 Twitter
- 谷歌数据工作室是免费的！
- 实时分析和过滤
- 轻松共享和协作
2.IBM Cognos 分析
IBM 的典型商业智能套件——Cognos Analytics 是一个基于云的商业智能和分析平台。
Cognos Analytics 从各种来源导入数据，以帮助创建交互式仪表板、可视化和报告。它的用户是多样的；从多个行业的企业，从小到大的企业。
IBM 将 Cognos Analytics 定义为一种注入人工智能的决策工具。该平台的一个显著特点是使用移动应用程序来查看图表、接收警报和获取实时更新。
Cognos Analytics 卖什么？
- 通过 web、电子邮件和 Slack 方便团队共享内容
- 使用大量格式选项的数据讲述故事
- 允许在本地或云端安装和访问
- 通过网页、电子邮件或 Slack 共享报告和仪表盘
- 使用机器学习来评估和组合相关来源
- 创建带有人工智能建议的交互式仪表盘、可视化和报告
3.检查员
我从来不知道像 Looker 这样的 BI 工具存在，直到上周我遇到了来自迪士尼、华纳媒体和一家本地初创公司的三个入门级全职数据分析师职位，要求熟练掌握 Looker。当我查看 Looker 时，它必须在 BI 工具列表中才能知道。
Looker 是一个基于浏览器的商业智能平台，使用简单，易于选择、定制和创建各种交互式可视化，提供各种图形和图表供选择。我现在遇到了很多关于 Tableau 和 Looker 的比较。
我发现 Looker 最好的特性是创建拖放式仪表板，这对于非技术用户来说是一个很大的帮助。可视化和报告可以在所有设备上访问，并可以导出到 Looker 仪表板之外，以便与其他人协作，这是一个很好的功能？
什么卖 Looker？
- 连接到用户 SQL 数据库或类似的数据仓库
- 为查询优化提供专有的 LookML 语法
- 创建在所有设备上可用的实时可视化
- 为仪表板创建提供拖放功能
- 允许在 web 和移动设备上访问
- 安装在内部或由旁观者托管的云中
- 提供导出可视化效果以便与其他人协作的功能
4.Microsoft Power BI
微软在商业智能工具领域的领先产品 Power BI 旨在为商业分析师和数据科学家提供帮助。
我在 2017 年在 Larsen & Toubro 实习时听说过 Power BI，使用 Power BI 进行跨部门的收入支出分析、员工效率、焊接的实时数据处理和轮班。
通过简单的拖放界面，PowerBI 为 MS Excel 用户提供了一种相似或熟悉的感觉。Power BI 是一个无代码平台，这可能是它大获成功的原因。PowerBI 有一个很棒的预建连接器库，不像这里列出的一些其他工具那样广泛，但 Power BI 将是任何以 Windows 为中心的数据工作流的一个很好的附加组件，特别是与 Azure 结合使用。
微软关于为什么 PowerBI 的博客非常清楚地解释了为什么 Power BI 对数据科学家来说是事实。Power BI 可轻松连接、建模和可视化数据，创建难忘的报告，并根据品牌的 KPI 进行个性化设置。
根据我的个人经验，PowerBI 在处理非常大的数据集时往往会滞后，所以如果您的数据非常大，您可能需要看看其他地方。
什么卖 PowerBI？
- 提供基于网络的商业智能，专注于分析
- 平台选择范围:超级商务智能、超级商务智能专业版和超级商务智能高级版
- 收集、连接和存储内部或云中的所有数据源
- 随着企业的发展，允许迁移到更密集的套件产品
- 创建在所有设备上可用的实时可视化
- 提供导出报告以便与其他人协作的功能
- 为不同行业的各种规模的企业提供解决方案
5.Qlik 和 QlikSense
想想饼图、折线图、数据透视表、条形图等等📊，QlikView 是一款在行业中广泛使用的工具。
QlikView 也是一个商业智能和数据发现工具，其目标是为目标业务挑战创建导向分析应用程序和仪表板。该软件使用户能够揭示各种变量之间的数据洞察力和关系。
关于 QlikView 的受欢迎程度一直存在争议。虽然 Tableau 口袋里有大品牌，但 QlikView 使用内存数据模型，使其能够即时准确地处理庞大的数据集，这是 Tableau 的改进范围。
【Qlik 卖什么？
- 允许访问内部和云移动和网站服务
- 为收集和操作数据提供统一的界面
- 通过人工智能驱动的建议帮助用户创建分析
- 创建点击式可视化和交互式报告
- 集中分析和应用程序以实现协作
- 允许从 R 和 Python 进行高级分析计算
6.SAP HANA
SAP HANA(高性能分析设备)是一个 RDBMS，由 SAP 开发和销售。它作为数据库服务器的主要功能是根据支持应用程序的请求存储和检索数据。
SAP HANA 是一种基于 ETL 的复制，使用 SAP 数据服务从 SAP 或非 SAP 源迁移数据到 HANA 数据库。在其生物圈中使用 SAP 的企业使用 HANA 在短时间内处理大量实时数据。
由于 SAP 是一个闭源生态系统，HANA 可能不是独立数据科学家的工具，但对于 SAP 中的业务或职业来说，HANA 可能是一个值得炫耀的好技能。
SAP HANA 卖什么？
- 实时发现商业智能趋势
- 提供高速事务和分析处理的内存数据库
- 与 SAP Business Objects BI 解决方案紧密联系，以获得洞察力和分析能力
- 用于第三方应用程序访问的 SQL、SAP ERP 接口
- BI 自助服务分析
7.斯堪的纳维亚航空公司
SAS —统计分析系统
和 R 一样，SAS 是为高级数据分析和复杂的统计操作开发的工具。它是一个闭源的专有工具，提供了各种各样的统计功能来执行复杂的建模。由于其高可靠性，SAS 主要由大型组织和专业人员使用。
虽然 SAS 不是最适合初学者和独立数据科学爱好者的工具，但它 SAS 是为满足高级业务需求而量身定制的，如果你在职业生涯中寻找特定的数据科学角色，良好的 SAS 知识将为你的档案增添光彩。
SAS 在企业分析领域一直是无可争议的市场领导者，但是，要将其功能与 Python 或 R 进行比较，SAS 似乎很难对数据进行建模和可视化。此外，学习曲线是棘手的，有时很难，主要是由预算庞大的大公司使用。
销售 SAS 的是什么？
- 名字
- 非常强的数据分析能力，有助于分析和洞察
- 通过单一 SAS 业务分析许可证访问来自 60 多个数据源的数据，包括 RDBMS、PC 文件、Hadoop、Amazon Redshift 和其他数据仓库设备
- 提供一个交互式、自助式、易于使用的界面，用于分析、清理和混合数据
- 实现与分析管道的完全集成
- 为自助式数据发现、报告和世界一流的分析提供集成环境
- 无需编码即可访问高级分析功能—关联、预测、决策树、文本分析等
8.（舞台上由人扮的）静态画面
Tableau 是目前商业智能中非常流行和强大的数据可视化工具。Tableau 的数据分析快速而强大。通过可视化仪表板和工作表，Tableau 涵盖了将原始数据简化为非常容易理解的格式、清理数据以及识别潜在趋势和模式。
很长一段时间以来，像百事可乐、威瑞森、查尔斯·施瓦布、可口可乐、Chipotle 这样的大公司都在使用 Tableau 来利用他们的数据并做出结论性的明智决策。对于任何对数据科学或数据分析职业感兴趣的人来说，Tableau 这样的工具是必不可少的。
什么卖画面？
- 广泛的功能和客户群
- 提供内部、公共和完全托管的商业智能解决方案
- 安装本地、公共云、Tableau 云
- 允许在 web 和移动设备上访问
- 为没有技术知识的用户提供直观的自助式分析
- 集成来自多个来源的数据，无论是内部的还是基于云的
- 只需点击几下鼠标，即可创建实时可视化效果
9.TIBCO Spotfire
Spotfire 是一家位于马萨诸塞州萨默维尔的商业智能公司，于 2007 年被 TIBCO 收购(维基百科)。Spotfire 具有与 Tableau 或 QlikView 相同的通用可视化功能。
虽然 Tableau Public 和 Power BI Desktop 可以免费使用，但 TIBCO Spotfire 的价格为每位用户每年 650 美元。没有免费版本可能会使它在独立数据科学家中不那么受欢迎。然而，我最近看到了这个故事，讲述了雅高酒店如何使用 TIBCO Spotfire 改善客户体验，以及更快、更容易、更简单的整合。
TIBCO 最初是集成和分析领域的全球领导者，拥有庞大的客户群。你可以点击这里访问 TIBCO 客户名单。
TIBCO Spotfire 的卖点是什么？
- 广泛的可视化(约 16 个 viz 选项)
- 通过移动浏览器访问构建、部署和共享分析应用
- 建议向导自动创建可视化效果
- 使用统计/回归模型获得预测洞察力
- 从实时行业数据中获取不间断分析
- 250GB 集中式存储，带 Spotfire 云
10.Zoho 分析
Zoho 是一个基于网络的在线办公套件，它提供了一个名为 Zoho Analytics 的自助式商业智能平台。这是一个基于云的平台，可以选择内部安装。Zoho 连接到各种各样的来源来收集数据。它可以从流行的商业软件或通过 Zoho 的自助服务工具自动合并数据。数据保留在美国数据中心。
Zoho Analytics 旗下有 50 万家企业，约 5000 万 2M 用户，以及 5000 万份报告。根据我的研究，我发现 Zoho Analytics 拥有最全面的第三方连接器——500 多个现成的商业应用集成！一定要看看这个工具。
【Zoho Analytics 的卖点是什么？
- 允许访问内部、移动和云
- 需要最少的专业知识
- 从许多来源收集数据，并允许自动同步
- 提供拖放工具来创建仪表板、可视化和报告
- 通过网页和应用程序共享报告和仪表板
- 为协作提供工作空间
这就是我的博客的结尾。感谢您的阅读！我希望这有所帮助！一定要让我知道你想学习或探索什么样的 BI 工具。
免责声明:本文表达的观点是我自己的观点，不代表严格的观点。
了解你的作者
拉什是芝加哥伊利诺伊大学的研究生。她喜欢将数据可视化，并创造有见地的故事。当她不赶着赶学校的最后期限时，她喜欢喝一杯热巧克力，写一些关于技术、UX 等的东西。
学习机器和深度学习的 10 大课程(2020)
机器学习课程——终极清单
你知道我开始学机器学习的时候希望拥有什么吗？多合一机器学习课程。当时，要找到一门包含所有必要概念和算法的好课程真的很难。所以我们被迫在网上搜索，阅读研究论文，买书。
幸运的是，情况不再是这样了。现在我们的情况正好相反。外面有那么多课程。我应该如何知道哪一个是好的，这包括我需要学习的所有东西。所以我在这里整理了一份最受欢迎和教授得最好的课程清单。
大部分我都有亲身经历，我强烈推荐所有的。我认识的每一个机器学习工程师或数据科学家都建议他们中的一个或多个。所以不要再往前看了。好了，我们开始吧。
1)斯坦福大学(Coursera)的机器学习
斯坦福大学的这门课程被许多人认为是最好的机器学习课程。它是由吴恩达亲自教授的(对于那些不认识他的人，他是斯坦福大学教授、Coursera 的联合创始人、谷歌大脑的联合创始人和百度的副总裁)，它涵盖了你需要知道的所有基础知识。此外，它的评分高达 4.9 分(满分 5 分)。
该材料是完全独立的，适合初学者，因为它教你线性代数和微积分的基本原理以及监督学习。我能想到的一个缺点是，它使用 Octave(Matlab 的开源版本)而不是 Python 和 R，因为它真的希望你专注于算法而不是编程。
费用:免费审核，如果你想要证书，79 美元
完成时间:76 小时
评分:4.9/5
教学大纲:
- 一元线性回归
- 线性代数评论
- 多元线性回归
- Octave/Matlab 教程
- 逻辑回归
- 正规化
- 神经网络:表示
- 神经网络:学习
- 应用机器学习的建议
- 机器学习系统设计
- 支持向量机
- 降维
- 异常检测
- 推荐系统
- 大规模机器学习
- 应用示例:照片 OCR
2)Deep Learning . ai(Coursera)深度学习专业化
这是一门由吴恩达教授的课程，也被认为是深度学习领域的佼佼者。你看到这里的模式了吗？它实际上由 5 门不同的课程组成，它将让你清楚地了解最重要的神经网络架构。说真的，如果你对 DL 感兴趣，不要再看了。
它利用 Python 和 TensorFlow 库(可能需要了解一些背景知识),让您有机会处理自然语言处理、计算机视觉、医疗保健等现实生活中的问题。
费用:免费审核，认证费 49 美元/月
完成时间:3 个月(11 小时/周)
评分:4.8/5
教学大纲:
- 神经网络和深度学习
- 改进神经网络:超参数调整、正则化和优化
- 构建机器学习项目
- 卷积神经网络
- 序列模型
3)高级机器学习专业化(Coursera)
高级机器学习专业由国立研究大学高等经济学院提供，由顶级 Kaggle 机器学习实践者和 CERN 科学家组织和教授，包括 7 门不同的课程，涵盖强化学习和自然语言处理等更高级的主题。你可能需要更多的数学知识和对 ML 基本概念的理解，但是优秀的教学和有趣的环境会弥补你的不足。我强烈推荐它。
费用:免费审核，认证费 49 美元/月
完成时间:8-10 个月(每周 6-10 小时)
评分:4.6/10
教学大纲:
- 深度学习简介
- 如何赢得数据科学竞赛:向顶级 Kagglers 学习
- 机器学习的贝叶斯方法
- 实用强化学习
- 计算机视觉中的深度学习
- 自然语言处理
- 通过机器学习应对大型强子对撞机的挑战
4)佐治亚理工学院(Udacity)的机器学习
如果你需要一个整体的方法和一个互动的环境，这就是你的课程。不得不承认，我还没见过比这更完整的课程。从有监督的学习到无监督的强化，你能想到的它都有。
它不会教你深度神经网络，但它会让你清楚地了解所有不同的 ML 算法，它们的优点，它们的缺点以及它们如何在现实世界中使用。此外，如果你是整个课程中非常短的视频和互动测验的粉丝，它对你来说是一个完美的匹配。
费用:免费
完成时间:4 个月
教学大纲:
- 监督学习
- 无监督学习
- 强化学习
5)机器学习入门(Udacity)
这门入门课是由 Udacity 的联合创始人巴斯蒂安·特龙和数据科学研发总监凯蒂·马龙设计和教授的。它的主要受众是正在寻找 ML 入门课程的初学者。同样，如果你喜欢 Udacity 的环境(我个人也喜欢)，这是一个很好的入门选择。
费用:免费
完成时间:10 周
教学大纲:
- 欢迎来到机器学习
- 朴素贝叶斯
- 支持向量机
- 决策树
- 选择你自己的算法
- 数据集和问题
- 回归
- 极端值
- 使聚集
- 特征缩放
6)深度学习纳米度(Udacity)
Udacity 的深度学习 Nanodegree 将教你从卷积网络到生成对抗网络的所有前沿 DL 算法。这是相当昂贵的，但也是唯一一个有 5 个不同动手项目的课程。您将构建一个狗品种分类器、一个人脸生成系统和一个情感分析模型，您还将学习如何在生产中部署它们。最棒的是，它是由真正的权威人士讲授的，如伊恩·古德菲勒、朱俊彦、巴斯蒂安·特龙和安德鲁·特拉斯克。
费用:1316 €
完成时间:4 个月
评级 4.6/5
教学大纲:
- 项目 1:预测自行车共享模式(梯度下降和神经网络)
- 项目 2:犬种分类器(CNN，AutoEncoders 和 PyTorch)
- 项目 3:制作电视剧本(RNN，LSTM 和嵌入)
- 项目 4:生成人脸(GAN)
- 项目 5:部署情感分析模型
7)机器学习由哥大(edX)
我们列表中的下一个是 edX，由哥伦比亚大学提供。它需要大量的数学(线性代数和微积分)和编程(Python 或 Octave)知识，所以如果我是初学者，我不会从这里开始。然而，如果更高级的学生想要发展对算法的数学理解，它可能是理想的。
这门课程的独特之处在于，它专注于机器学习的概率领域，涵盖了贝叶斯线性回归和隐马尔可夫模型等主题。
费用 : 免费审核，证书 227 美元
完成时间:12 周
教学大纲:
- 第一周:最大似然估计，线性回归，最小二乘法
- 第二周:岭回归，偏差-方差，贝叶斯法则，最大后验推断
- 第三周:贝叶斯线性回归，稀疏性，线性回归的子集选择
- 第四周:最近邻分类，贝氏分类器，线性分类器，感知器
- 第五周:逻辑回归，拉普拉斯近似，核方法，高斯过程
- 第 6 周:最大利润，支持向量机，树，随机森林，助推
- 第 7 周:聚类，k-均值，EM 算法，缺失数据
- 第八周:高斯混合，矩阵分解
- 第九周:非负矩阵分解，潜在因素模型，主成分分析和变异
- 第十周:马尔可夫模型，隐马尔可夫模型
- 第 11 周:连续状态空间模型，关联分析
- 第 12 周:模型选择，后续步骤
8)程序员实用深度学习，v3 ( by fast.ai)
《程序员实用深度学习》是一个了不起的免费资源，面向有一些编码背景(但不太多)的人，包括各种笔记、作业和视频。它是围绕着给学生在这个领域的实践经验的想法而建立的，所以期待通过编码来实现。你甚至可以学习如何使用云上的 GPU 服务器来训练你的模型。相当酷。
费用:免费
完成时间:12 周(每周 8 小时)
教学大纲:
- 随机森林简介
- 随机森林深潜
- 性能、验证和模型解释
- 功能重要性。树解释程序
- 外推和 RF 从零开始
- 数据产品和实时编码
- RF 从零开始和梯度下降
- 梯度下降和逻辑回归
- 正规化、学习率和 NLP
- 更多 NLP 和柱状数据
- 嵌入
- 完整的罗斯曼。伦理问题
9)机器学习 A-Z:数据科学领域的实践 Python&R
毫无疑问，这是 Udemy 上最受欢迎的人工智能课程，有 50 万学生注册。它是由数据科学家和外汇系统专家基里尔·叶列缅科和数据科学家哈德林·德·庞特维斯共同创建的。在这里，您可以使用 Python 和 r 中的代码模板对最重要的 ML 算法进行分析。
成本:199 €(但有折扣。在撰写本文时，价格为 13.99€)
完成时间:41 小时
教学大纲:
- 第 1 部分—数据预处理
- 第 2 部分—回归:简单线性回归、多元线性回归、多项式回归、支持向量回归、决策树回归、随机森林回归
- 第 3 部分—分类:逻辑回归、K-NN、SVM、核 SVM、朴素贝叶斯、决策树分类、随机森林分类
- 第 4 部分—聚类:K-均值，层次聚类
- 第 5 部分—关联规则学习:Apriori，Eclat
- 第 6 部分—强化学习:置信上限，汤普森抽样
- 第 7 部分—自然语言处理:自然语言处理的词袋模型和算法
- 第 8 部分—深度学习:人工神经网络、卷积神经网络
- 第 9 部分—降维:主成分分析、线性判别分析、核主成分分析
- 第 10 部分—模型选择和提升:k 倍交叉验证、参数调整、网格搜索、XGBoost
10) CS234 —斯坦福的强化学习
名单上最难的课程，因为强化学习无疑要困难得多。但是如果你想深入其中，没有更好的方法了。事实上，这是斯坦福大学的真实录音讲座。所以你自己要做好成为斯坦福学生的准备。Emma Brunskill 教授使理解所有这些复杂的主题变得非常容易，并为您提供了关于 RL 系统和算法的精彩介绍。当然，你会发现很多数学方程和证明，但是涉及到强化学习的时候就没有办法了。
你可以在这里找到课程网站和这个 Youtube 播放列表中的视频讲座
费用:免费
完成时间:19 小时
教学大纲:
- 介绍
- 给定一个世界模型
- 无模型策略评估
- 无模型控制
- 价值函数逼近
- CNN 和深度 Q 学习
- 模仿学习
- 政策梯度一
- 政策梯度二
- 政策梯度三和审查
- 快速强化学习
- 快速强化学习 2
- 快速强化学习 III
- 批量强化学习
- 蒙特卡罗树搜索
给你。机器和深度学习课程的终极清单。其中一些可能太先进，一些可能包含太多的数学，一些可能太贵，但每一个都保证教你在人工智能领域取得成功所需的一切。
老实说，你选择哪一个并不重要。都是一流的。重要的是选择一个并开始学习。
有关机器学习和人工智能的更多教育内容和资源，请不要不看我们的博客就离开theaisummer.com
原载于 2020 年 2 月 10 日 https://theaisummer.com。****
2020 年十大数据科学和人工智能博客
数据科学
2020 年的一些最佳数据科学和人工智能博客
数据科学和人工智能(AI) 是将塑造这个宇宙未来的新兴领域。数据是公司或政府机构最重要的资产之一。它帮助我们根据过去的经验预测未来。
医学研究人员需要数据来发明治疗方法。气象分析师利用数据调查大气并预测天气状况。甚至，美国国家航空航天局向月球和火星发送任务仅仅是为了收集数据。
简而言之，我们被尚未探索的数据所包围。人工智能可能会帮助我们加快这些数据的收集和分析。
今天，我将分享我个人最喜欢的关于数据科学和人工智能的博客。我定期阅读它们，以深入了解当前的研究情况和最佳实践。
这份清单排名不分先后，都是很棒的读物！
(这不是一个赞助的帖子，所有列出的博客都是我最喜欢读的)
1- 数据科学中心
数据科学中心主页
数据科学中心是一个为对人工智能和数据科学感兴趣的人提供的平台。许多顶尖的研究人员和数据从业者都是这个社区的一部分。
人们经常通过博客、播客、网络研讨会和论坛来分享他们的知识。在这里，你甚至可以找到与商业智能、数据分析和统计相关的工作。
我强烈推荐你加入这个志趣相投的社区。请放心，如果您需要一些与数据科学项目相关的帮助，总会有人帮您的。
2- 走向数据科学
走向数据科学主页
这是一个由数据科学专业人士社区支持的博客。他们用它来与我们分享他们的想法和代码示例。
基本上，在走向数据科学上，您将获得专为数据科学受众设计的高质量内容。这意味着您将经常学习一些新概念和可行的技巧，以增强您的数据科学和机器学习技能。
如果您已经对 R、Python 和 JavaScript 等编程语言有所了解，那就太好了。这些语言主要被数据科学家用来执行复杂的计算。
我本人是这份流行媒体出版物的读者和作者，它在名单上，因为它是我每天阅读数据科学的 gotos 之一。
3- 实时码流
实时代码流主页
几年前，我也很难找到关于数据科学、机器学习和人工智能的优质内容。如果您停留在某个地方，几乎没有任何可用的编码解决方案。
在经历了艰难的学习之后(例如，通过代码实验)，我最终决定创建这个博客。主要的想法是与你们分享我的数据科学和编程经验，使用要点教程和指南。
比如我以前发表过类似使用 JavaScript 的人脸滤镜和不用深度学习找车道的文章。
4- 分析 Vidhya
分析 Vidhya 主页
Analytics Vidhya 始终被列为数据科学学生的最佳学习点之一。它就像一个一站式商店，提供免费和付费课程、论坛和博客。它甚至使公司能够通过组织竞争来雇用顶尖人才。
我认为 Analytics Vidhya 适合数据科学学习者，无论他们是刚刚起步还是已经有一些专业经验。
如果你在寻找机器学习或数据科学方面的工作，那么我建议你参加他们的黑客马拉松。它将帮助你建立一个对吸引潜在客户非常重要的投资组合。
5- 人工智能趋势
人工智能趋势主页
顾名思义，AI trends 专注于报道与人工智能相关的话题和新闻。这可能有助于你为即将到来的项目获得灵感。
它的编辑人员包括一些人工智能领域最优秀的人才。所以，这意味着书签人工智能趋势一定会让你了解最新的发展。
6- 麻省理工学院人工智能新闻
麻省理工学院主页人工智能新闻
麻省理工学院无疑是领先的技术研究机构。他们在自己的网站上为人工智能爱好者专门开辟了一个完整的版块。
他们不时分享关于机器如何学习和改善我们生活的研究材料。像能够推理日常行为的机器学习模型和帮助自动驾驶汽车看到拐角这样的文章表明了智能系统的能力。
7- KDnuggets
KDnuggets 主页
自 1997 年以来，KDnuggets 一直在发表关于人工智能、机器学习和数据科学的文章。在数据科学家和程序员中，这是一个非常有名的资源。
它还有不同的部分，管理员在那里显示与社区相关的在线课程、网络研讨会、活动和工作的链接。
8- IBM 开发人员代码模式
IBM 开发人员代码模式主页
开发人工智能程序是一项非常复杂和耗时的任务。作为一名程序员，我们经常陷入困难的编码挑战中，这减缓了我们的进度。
这就是为什么 IBM 主动创建了一个名为代码模式的平台来解决开发人员普遍面临的问题。他们写了关于机器学习模型、数据可视化、语音识别以及与编程世界相关的一切的最佳实践。
9- 机器学习掌握度
机器学习大师主页
杰森·布朗利是这个关于机器学习的博客的幕后黑手。在撰写本文时，他已经发表了 967 篇博文。它告诉我们他对这个领域的一致性和熟悉程度。
我个人通过他的循序渐进指南学到了很多新的机器学习概念。
杰森还出版了 19 本与机器学习和深度学习相关的电子书。他的一些电子书是为初学者设计的，而另一些是为更高级的学习者设计的。
10- 数据波
Datanami 主页
Datanami 发布关于人工智能、数据科学和高级分析的新闻。关注这个网站意味着你将定期了解世界是如何利用人工智能和数据科学的。
这是由 Tabor Communications 管理的众多网站之一。他们的团队由来自科技行业的专业人士组成，他们通过这个平台发表了自己的想法和观点。
优质内容是 Datanami 的第一要务。这意味着你永远不会在他们的网站上看到任何无用的材料。如果你对新兴技术感兴趣，那么 Datanami 可能是一个很好的资源。
结论
没有数据，就不可能做出明智的决策。数据科学家是那些分析过去信息并创建人工智能系统可以遵循的程序的人。
由于这个市场仍在发展中，所以新人有很多机会被雇佣。但是，在此之前，拥有良好的人工智能和数据科学知识将非常有益。
所以，我强烈推荐你收藏这些最佳数据科学和人工智能博客。
未来 9 大数据科学职业
你以前可能没有探索过的数据科学应用。
在当今快速发展的技术世界中，当人类倾向于生成大量数据时，分析数据是必不可少的。D ata 现在是商业的前沿，或者我可以说它已经成为工业的燃料。
有各种各样的行业，如银行、金融、制造、运输、电子商务、教育等。我们听说过使用数据科学。在这篇文章中，我列出了 9 个随着数据科学和相关领域的兴起而发生转变的数据科学职业。我们将看到数据科学如何彻底改变企业感知数据的方式，并激发您对未来的展望。
这篇文章的第二部分将会介绍更多未来的数据科学职业。继续跟着！
1.田径
2017 年 7 月，我在一个基于板球运动的网络系列中首次介绍了田径分析，其中一名团队分析师跟踪了一名球员的过去并展示了他的表现，找出了他的弱点，确定了优势，给出了对手的痛点，并根据数据设计了一个策略，以提高球员在后续比赛中的表现。
到 2020 年，教练和团队现在可以结合球员的表现、心率、卡路里摄入、血液报告、速度、加速和减速等数据来查看趋势。数据分析可以理解运动员数据，提供见解，使教练能够满足运动员训练并提高团队绩效。
在体育运动中，胜负之间的差异可以降到毫秒或毫米，数据可以决定这些。
体育分析有三个主要工具:
SAP Sports One
SAP Sports One 软件通过交互式仪表盘进行实时分析，帮助俱乐部和团队实现运动表现管理的数字化，从而实现协调训练和团队管理；
微软运动性能
微软的运动表现平台是一个定制的运动分析解决方案，通过大数据和机器学习算法聚集和可视化统计数据，为跟踪和提高运动员和团队表现提供预测结果。
体育管理分析表
Tableau 提供交互式仪表盘来创建例程、图形和图表，以提供更好的解决方案来解决疼痛、预测结果，并使运动员为体育运动的身体和精神需求做好充分准备。利益相关者也使用 Tableau 为受众创建仪表板。
2.航空
非凡的问题需要非凡的酊剂！
鉴于全球疫情时代的不断发展，航空业在全球范围内遭受严重损失已不是什么隐藏的事实。无论是国内还是国际，航空公司都是以低于 30%的客座率和营业利润运营的。
在经济形势较好的时候，航空燃油价格和航空公司营销费用的大幅上涨影响了运营利润。不久前，航空公司认识到将数据科学引入其战略管道的潜力。
航空使用案例
- 提高燃油效率
- 做出更快的业务决策
- 预测最佳航线
- 预测性维护解决方案
- 处理客户忠诚度计划
- 反馈分析
- 船员管理
Oliver Wyman 是一个很好的关于航空技术的网站资源。根据其网站，高级分析对航空公司来说意味着巨大的节约；相当于节省全球总运营成本的 2%-2.5%，相当于每年 50 亿至 60 亿美元！
3.约会
不然你以为你是怎么找到火柴的？😉
比起现实生活，现在似乎更有可能在约会应用上遇到你的另一半。在线约会网站和应用程序因其配对能力而广受欢迎。为了帮助用户找到完美的伴侣，约会应用程序使用数据科学算法，这些算法由庞大的数据存储提供支持。
聚类和关联
使用聚类和熊猫在约会档案中寻找相关性。配置文件可能会与其他类似的配置文件聚集在一起。这将减少相互不兼容的配置文件的数量。从这些聚类中，用户可以找到更像他们的其他用户。约会应用严重依赖聚类来找到与一个用户账户最相似的约会档案。
自然语言处理(NLP
约会应用程序使用 NLP 来发现关于用户的见解，并根据他们的偏好评估与其他用户的潜在兼容性。该模型使用来自多个用户的输入来寻找具有相似输入的其他用户以进行匹配。这些模型基于用户简档被训练，以将相似的简档放在第一线。
深度学习(DL)
深度学习通过面部特征对用户资料进行排序，这些特征包括有没有被喜欢或被刷过。根据用户刷卡的性质，呈现给你的选项会有所不同。
推荐系统
识别共同兴趣的模型，让您选择一起做的事情—电影、游戏、旅行等。这种机器学习模型可以帮助用户找到下一步的最佳行动。
职业:
Bumble、OkCupid、Tinder、Hinge、火柴等等
4.金融
金融就是数字。它一直是一个涉及处理大量数据的领域。随着数据科学的出现，金融机构比以往任何时候都更加依赖自动化算法和复杂的分析工具来保持领先。
在资金领域，对于如何以及何时采取下一步行动，何时撤回资金，或者何时投入更多资金的决策，有一个指导力量是至关重要的。数据允许以分析、个性化和预测的形式轻松判断转瞬即逝的货币市场
金融用例
- 风险分析
- 客户分析
- 实时股票分析
- 消费者数据管理
- 股票价值预测
- 投资预测
- 欺诈检测(信用卡/借记卡)
- 算法股票交易
5.赌博
全世界有超过 20 亿玩家(来源不明)，游戏数据是一个巨大的储存库，很少被发掘。鉴于当前的“呆在家里”时代，博彩业是巨大收入的来源，预计在不久的将来会进一步增长。随着用户数量呈指数增长，要收集和处理的数据量也在增加。玩家时间、互动时间、退出点、活动峰值、结果、分数等。为数据分析提供大量材料。
游戏中的数据科学主要用于建立模型，分析和识别优化点，进行预测，并支持机器学习算法，识别模式和趋势以改进游戏模型。
游戏的使用案例
- 游戏开发
- 游戏设计
- 玩家分析
- 物体识别
- 游戏货币化
- 欺诈检测(支付)
对于游戏，爱好者也寻求商业智能的途径，通常用于策略、决策和收入监控。
6.卫生保健
医疗保健被认为是最具发展性的领域，因为它依赖于数据分析和可视化。
保险数据是一个迅速扩大其使用范围的数据。保险数据通常包括由疾病、事故、残疾或死亡引起的费用索赔和承保。保险业的数据科学与机器学习和人工智能模型允许保险提供商监控和降低风险，改善客户体验。
保险数据的用例
- 欺诈检测
- 索赔预测
- 风险评估
- 个性化医疗保健计划
- 价格优化
- 终生价值预测
- 虚拟助手
- 生物信息学
有了数据科学，现在可以获得准确的诊断方法。医疗保健中有几个领域利用了数据科学，如检测、发现、成像和预测诊断。
医学用例
- 医学图像分析
- 药物开发
- 癌症检测
- 遗传学和基因组学
- 行为分析
- 保险和索赔数据
- 远程保健
- 用于监控患者数据的可穿戴数据
7.营销
在快速发展的数据技术世界中，企业拥有大量的数据。相应地，消费者比以往更期待个性化的购物体验。这就是营销分析发挥作用的时候。营销分析测量、管理和分析营销绩效，以最大化其有效性并优化投资回报(ROI)。
了解营销分析可以让营销人员提高工作效率，并最大限度地减少网络营销费用的浪费。
营销用例
- 情感分析
- 客户细分
- 相似性映射
- 推荐系统
- 定价策略
- 对客户行为的预测分析
- 市场篮子分析
- 实时互动营销
- 预算优化
- 用户分组
- 观众识别
- 瞄准正确的渠道
- 销售线索定位
- 内容策略创建
现在告诉我一个没有市场营销那么激动人心的职业。
8.流媒体服务
在过去的几年里，在线流媒体已经成为寻求疯狂观看电影和电视节目的观众事实上的目的地。流媒体服务完全是为了用户个性化。数据科学赋予了这一切。平台基于几个输入获得消费者口味的更真实的图片。
观看以下视频，了解网飞如何使用其数据！
职业
Hulu、迪士尼、网飞、亚马逊的 Prime Video、Pandora、Apple Music and TV、Spotify 都是数据科学和分析领域的大量用户和招聘者。
流媒体服务的使用案例
- 推荐系统
- 客户分析
- 实时流分析
- 内容个性化
- 搜索优化
- 内容创作
- 客户细分
- 相似性映射
- “事件”跟踪—播放、暂停、退出、观看日期
9.天气
对芝加哥来说，有句谚语说，你诅咒天气 30 分钟，它就会变！
天气容易受骗。一个阳光明媚的日子可能会因为一场倾盆大雨而毁了你的郊游，因此，一个高度自信的准确预测是必不可少的。天气预报是关于大气的数据。
我看过一篇文章，IBM 收购了气象公司，利用其数据为其著名的人工智能机器沃森(Watson)提供数据，从那次收购中诞生了 Deep Thunder — 高度准确的超本地化预报。许多大型企业集团都在各个领域(农业、体育、哮喘患者、汽车销售)的决策过程中大量投资天气及其数据(显然，雨天会吸引人们购买汽车！🚘)
天气用例
- 探索性数据分析
- 农业气象人工智能
- 天气预报
- 卫星图
- 图像传感
不久前，印度东海岸遭受了近 20 年来最强的名为“T0”Fani 的飓风袭击。在飓风袭击该地区的 13 天前，印度气象部门有迹象表明可能会有一场大规模的风暴，他们开始为风暴的爆发做准备。创纪录的 120 万人在不到 48 小时内被疏散，仅仅是因为数据科学家！这就是为什么天气会出现在这个列表中！！
这就是我的博客的结尾。感谢您的阅读！我希望你喜欢这篇文章。请务必让我知道你期待什么职业来探索你的数据科学之旅？
数据帐篷快乐！
免责声明:本文表达的观点仅代表我个人，不代表严格的观点。
了解你的作者
拉什是芝加哥伊利诺伊大学的研究生。她喜欢将数据可视化，并创造有见地的故事。当她不赶着赶学校的最后期限时，她喜欢喝一杯热巧克力，写一些关于技术、UX 等的东西。
2020 年你应该关注的 10 大数据科学领导者
如果你是一名数据科学家
在我的数据科学生涯中，甚至在生活中，有伟大的导师可以学习是一个巨大的幸事。
我仍然记得大学最后一年我决定从物理学 过渡到数据科学 的决定性时刻。
这一跳……很吓人。
自我怀疑是真实的。恐惧是真实的。
信不信由你，我就像其他有抱负的数据科学家一样，通过学习在线课程、阅读相关教科书和加入 Kaggle 开始。
但我还是觉得少了点什么。
在那段时间里，我一直在自学，但并没有真正理解 数据科学在现实世界中是如何“工作”的，以及如何成为一名伟大的数据科学家。
我觉得我需要一些指导。我需要向导师学习。
这是我开始在 LinkedIn 上向数据科学领导者学习的时候，这对我的学习之旅有很大的帮助，甚至推动了我的数据科学职业生涯，达到了我从未想象过的程度，有丰富的学习机会。
事实上，他们是我通过在 LinkedIn 和 Medium 上分享我的经验、知识甚至错误来回馈数据科学社区的原因。
如果你一直在关注我的文章，我在一年前分享了第一份数据科学领导者名单，这份名单绝非详尽无遗，因此我在此基础上撰写了这篇文章。
如果你在数据科学领域，我强烈建议你关注这些巨头——我将在下面的部分列出这些巨头——并成为我们数据科学社区的一员，向最优秀的人学习并分享你的经验和知识。
相信我，向这些巨人学习可能会成为你一生中做出的改变人生的决定之一(至少对我来说)。
说够了…让我们开始吧！
2020 年你应该关注的 10 大数据科学领导者
1。卡西·科济尔科夫
卡西·科兹尔科夫至少可以说是一个传奇。句号。
她目前在谷歌担任首席决策科学家，也是统计学、数据科学和人工智能交叉领域的专家。
就我个人而言，我认为她是真正的一种罕见的拥有深厚技术专长的人，同时也有能力将事情分解成简单的想法让人们理解。
她在机器学习、人工智能和数据科学领域的思想领导力和想法从未让我感到惊讶，因为它们总是给我新的视角和知识，而我不知道这些是从其他地方学到的。
我的朋友，这就是向他人(也就是导师)学习的力量。
如果你有兴趣向凯西学习——我强烈推荐——看看她在 Linkedin 、 Medium 、 Twitter 和 YouTube 上的帖子、文章和视频。
事实上，是她启发了我写这篇文章——数据科学家 解释的 P 值——看了她关于 P 值的分享！
什么是 p 值？(作者:凯西·科济尔科夫)
2。本·泰勒
Ben 是我的一个好朋友，我们第一次见面是在 LinkedIn 上，当时正在讨论某些数据科学话题。
他是人工智能领域的资深思想领袖，拥有超过 16 年的机器学习经验。
他目前在 DataRobot 工作，担任首席人工智能宣传员——是的，如果你想了解更多关于人工智能的知识并了解该领域的最新趋势，他是必去的人。
本——在我看来——是人工智能领域迄今为止最敏锐的头脑之一，他不断地揭开这个领域中一些常见误解的神秘面纱，目标是使人工智能的使用民主化。
如果你在求职过程中使用公司要求的T3视频面试…
你猜怎么着？
Ben 是数据科学团队的领导者，开发了第一个视频面试预测引擎，名为 HireVue Insights，以及许多其他人工智能产品！
3。数据传输
如果你在 LinkedIn 上的数据科学社区中很活跃，我相信你对Dat Tran很熟悉，因为他不断地向公众分享最新的技术和深度学习更新，并提供了许多很好的建议。
如果你还是不知道他是谁。帮你自己一个忙。看看他在 Linkedin 和 Medium 上的分享吧！
Dat Tran 目前正在领导 Axel Springer AI，这是欧洲最大的数字出版社 Axel Springer SE 的人工智能部门，旨在让 Axel Springer 内部的每个人都可以访问 AI，从而推动创新，重点关注计算机视觉和 NLP 问题。
顺便说一句，他也是该领域著名的主题演讲人和导师，为数据科学界提供了广泛的帮助。
4。凯文·陈
当我刚开始从事数据科学时，Kevin 是我在 LinkedIn 上通过分享我们的想法和相互学习而结识的首批数据科学家之一。
他在各种科技创业公司工作的广泛经验以及在开发信贷和风险模型方面的深厚专业知识进一步证明了我为什么如此喜欢他的分享。
此外，他关于在现实世界环境中成为一名伟大的数据科学家的建议——无论是技术性的还是非技术性的——对我的学习之旅非常实用和有帮助，因为我们会继续一起成长。
听从他的建议，你就会明白我的意思。😄
5。何塞·马西亚尔·波尔蒂利亚
如果你曾经上过 Udemy 上的数据科学课程，我相信这个名字对你来说听起来很熟悉。
你看。
当我第一次开始我的数据科学之旅时，我不是通过阅读教科书开始的，我不是通过向 Kaggle 学习开始的。
相反，我开始参加这个在线课程，由 Jose Marcial 教授的Python for Data Science and Machine Learning boot camp，这给了我一个强大的基础，并让我对数据科学和机器学习有了更好的理解。****
他是我迄今为止见过的最好的课程创建者和指导者之一，他的课程简单易懂，最重要的是，对你开始学习很实用！
如果你是数据科学的初学者，想更好地了解这个领域及其应用，那么可以看看他的课程。
6。古平顺
Koo Ping Shung 绝对是数据科学和人工智能领域的巨头之一。
从他作为一名应届经济学毕业生的卑微起步，到成为数据科学培训、指导和咨询方面的专家，帮助公司建立内部数据科学能力，是如此鼓舞人心！
更有趣的是，他还是新加坡最大、最活跃的数据科学聚会组织之一Data Science SG的联合创始人。
我们的目标是教育公众对数据科学有什么期望，数据科学家的工作真正包括什么，并帮助企业了解他们如何从数据科学中受益。
我个人去过几次不同主题的聚会，也和这个领域的专业人士交流过。毫无疑问，这是有史以来最好的聚会，因为每个人都很热情，都渴望一起学习和成长。
7。莱克斯·弗里德曼
Lex Fridman 是麻省理工学院的一名研究科学家，致力于以人为中心的人工智能和深度学习方法，以实现自动驾驶汽车的共享自主。
更令人瞠目结舌的是，他之前做过播客，既做过乔·罗根(part 1&part 2)的嘉宾，也做过主持人(人工智能播客，例如 埃隆·马斯克 )。****
埃隆·马斯克:特斯拉自动驾驶| 人工智能(AI)播客
如果你想更多地了解人类行为和人工智能之间的互动，或者你想站在人工智能技术和应用的最前沿，请查看他的播客、 YouTube 频道，当然，还有他的 LinkedIn 帖子，在那里他分享了关于人工智能的有意义的见解。
就我个人而言，我觉得他的播客和 Linkedin 帖子非常有见地，尤其是关于人工智能的演变及其与人类行为的有趣联系。
8。克里斯汀·凯尔勒
目前克里斯汀·克雷尔是加州大学伯克利分校的数据科学讲师，也是T5【数据打动我 的创始人。
自 2010 年以来，Kristen 一直在多个行业提供创新和可行的机器学习解决方案，包括公用事业、医疗保健和电子商务。
在我的整个数据科学职业生涯中，Kristen 一直是我学习的榜样/导师，她在 SQL 和分析领域拥有丰富的经验和知识。
特别是，我喜欢她和其他杰出的数据科学家之间的讨论，如 LinkedIn 上的 Favio Vázquez ，最重要的是，播客采访——数据科学的人类——与Kate strach Nyi！
您可能已经意识到，LinkedIn 上的数据科学社区是一个紧密联系的社区，我们在这里相互交流，共同分享和学习。
9。Srivatsan Srinivasan
Srivatsan 目前是 Cognizant 的首席数据科学家/架构师。
他在构建复杂的分析管道、针对极其复杂的业务流程的机器学习模型以及帮助公司实现数据和分析空间转型方面的经验，无疑提高了我对大数据、云和人工智能等许多领域的理解。
在 LinkedIn 上阅读他的 见解深刻的帖子一直是最有收获的学习活动之一，让我不断了解最新的人工智能技术和数据科学领域的最佳实践。
看看他的帖子，你就知道我的意思了。我知道你会喜欢它们的。😅
10。大卫·兰格
只要你在 LinkedIn 上寻找数据科学帖子(或一般内容)来学习，你可能已经认识大卫了。
除了担任 Schedulicity 的分析副总裁之外，他还以其作为讲师、博客作者和 YouTuber 的出色数据科学教学而闻名。
我的愿景是一个充满懂数据的专业人士的世界。大卫·兰格
他大力提倡 20%的分析推动 80%的投资回报率。
就我个人而言，我从他在 LinkedIn 上的分享中学到了很多，我要说他绝对是数据科学领域最杰出的教育家之一。
最后的想法
感谢您的阅读。
这里有一长串的数据科学领导者需要遵循，不是吗？
相信我。
与自学相比，向走过这条道路的导师学习将会节省你大量的时间。更好的是，你将掌握数据科学的知识(技术&软技能)，以及如何成为一名伟大的数据科学家*。*****
当然，这里的数据科学领导者名单绝非详尽无遗。这些只是我开始数据科学之旅以来一直关注和学习的一些顶级数据科学领导者。
我希望他们的分享对你有深刻的见解和帮助。
⭐在下面评论，如果你知道我们应该关注的其他数据科学领导者！👇🏻
受到他们贡献的启发，我正在通过分享我的知识和经验来回馈数据科学社区，希望能够帮助更多有抱负的数据科学家。
最终，作为数据科学社区的一员，我们在这里，并将永远在这里分享、帮助、学习和共同成长。
这就是一个社区的意义所在。
我希望您喜欢阅读这篇文章，并期待您成为数据科学社区的一员。
记住，不断学习，永不停止进步。
一如既往，如果您有任何问题或意见，请随时在下面留下您的反馈，或者您可以随时通过 LinkedIn 联系我。在那之前，下一篇文章再见！😄
关于作者
Admond Lee 目前是东南亚排名第一的商业银行 API 平台 Staq — 的联合创始人/首席技术官。
想要获得免费的每周数据科学和创业见解吗？
你可以在 LinkedIn 、 Medium 、 Twitter 、脸书上和他联系。
让每个人都能接触到数据科学。Admond 正在通过先进的社交分析和机器学习，利用可操作的见解帮助公司和数字营销机构实现营销投资回报。
www.admondlee.com](https://www.admondlee.com/)*****
十大 dplyr 函数—简化数据分析
Dplyr 比熊猫更轻松，更干净。你敢换吗？
在过去的几年里，我一直是 Python 的粉丝。这种语言对于数据科学来说非常优秀，作为一种通用的语言使得数据科学的非数据科学部分变得更加容易。但是在数据探索和准备领域，R 的dplyr能打败 Python 的pandas吗？是的，可以。
今天我们来看看如何使用 10 个最常见的dplyr功能。这还不是该软件包所能提供的全部，请参考此链接获取完整列表。我们将使用 Gapminder 数据集进行整个分析，该数据集可直接在 r
以下是如何导入我们今天需要的所有包:
library(dplyr)
library(gapminder)
让我们从下一节开始探索。
挑选
当我们想要选择一列或多列时，使用 select 命令。可以把它想象成 SQL 中的一个SELECT语句，在这里我们可以只挑选感兴趣的列，而不去碰其他的列。
这是使用select的第一种方法——列出我们想要保留的所有列:
gapminder %>%
select(country, year, lifeExp)
作者图片
另一种方法是通过指定我们想要删除的列——用-前缀完成:
gapminder %>%
select(-continent)
作者图片
过滤器
filter 命令相当于 SQL 中的WHERE关键字，因为我们只能获取感兴趣的子集。使用该命令有多种方式，如下所示。
让我们只保留 1952 年的那些行:
gapminder %>%
filter(year == 1952)
作者图片
让我们添加另一个过滤器—年份仍然是 1952 年，但我们只需要克罗地亚的数据:
gapminder %>%
filter(year == 1952, country == 'Croatia')
作者图片
那太好了，但是我们如何通过多年来过滤。这里%in%操作符派上了用场:
gapminder %>%
filter(year %in% c(1952, 1957), country == 'Croatia')
作者图片
安排
arrange运算符用于按单个列对数据进行排序，可以是升序，也可以是降序。默认情况下，升序排序。它相当于 SQL 中的ORDER BY关键字。
让我们按人口升序对 Gapminder 数据集进行排序:
gapminder %>%
arrange(pop)
作者图片
让我们按照降序来做同样的事情:
gapminder %>%
arrange(desc(pop))
作者图片
明显的
该运算符用于查找给定属性的唯一元素。它不需要任何进一步的澄清，所以让我们直接进入代码。
下面是我们如何在数据集中看到独特的大陆:
gapminder %>%
distinct(continent)
作者图片
使突变
mutate操作符用于创建新列。在此操作过程中，所有其他列保持不变。
让我们用人口乘以人均 GDP 来计算一个国家的 GDP:
gapminder %>%
mutate(totalGdp = pop * gdpPercap)
作者图片
使变形
这个操作符与mutate几乎相同，唯一的区别是transmute不保留其他属性——只保留新的属性。
我们将再次使用它来计算总 GDP，然后将结果与mutate运算符进行比较:
gapminder %>%
transmute(totalGdp = pop * gdpPercap)
作者图片
正如所承诺的，只显示了新的totalGdp列。
重新命名
顾名思义，这个操作符用于重命名。注意语法，因为我们必须首先指定新名称。
让我们重新命名几个列——life exp 到寿命预期和 pop 到人口:
gapminder %>%
rename(lifeExpectancy = lifeExp, population = pop)
作者图片
总结
summarize或summarise操作符对于在数据集上创建汇总统计非常有用。如果不执行分组操作，结果将是单个值。
例如，假设我们想要找出总体平均预期寿命:
gapminder %>%
summarize(meanLifeExp = mean(lifeExp))
作者图片
如果我们想的话，我们可以联系其他运营商，比如说在 2007 年找到平均预期寿命:
gapminder %>%
filter(year == 2007) %>%
summarize(meanLifeExp = mean(lifeExp))
作者图片
这很好，但是summarize在用于分组操作时最有用。接下来我们来讨论这些。
group_by
我们可以使用分组操作符来充分利用前面讨论过的操作符的潜力，比如summarize。这个相当于 SQL 中的GROUP_BY关键字，所以您可能已经很熟悉了。
假设我们想要找出每个大陆的平均预期寿命，如果没有分组运算符，这是不可能的:
gapminder %>%
group_by(continent) %>%
summarize(meanLifeExp = mean(lifeExp))
作者图片
我们可以将多个操作符链接在一起，并在多个列上执行分组。例如，让我们看看如何找到每个洲的平均预期寿命，并进一步按年份分组(仅 2002 年和 2007 年):
gapminder %>%
filter(year %in% c(2002, 2007)) %>%
group_by(continent, year) %>%
summarize(meanLifeExp = mean(lifeExp))
作者图片
if_else
这不是你的传统操作符，因为我们在其他操作符中使用它，比如mutate。它让我们无需编写多行代码就可以执行矢量化的 if-else 语句。
让我们看看如何按洲和年份(仅 2002 年和 2007 年)分组并计算平均预期寿命，然后创建另一个列，如果平均预期寿命大于 70，则该列的值为“Y ”,否则为“N ”:
gapminder %>%
filter(year %in% c(2002, 2007)) %>%
group_by(continent, year) %>%
summarize(meanLifeExp = mean(lifeExp)) %>%
mutate(meanLifeExpOver70 = if_else(meanLifeExp > 70, 'Y', 'N'))
作者图片
离别赠言
一天下来，在dplyr完成的任何事情都可以在pandas完成。但是你不得不承认—dplyr做起来如此轻松，而且用了一种更简单、更干净的方式。两者之间的比较是另一个时间的潜在主题，所以让我知道你是否对此感兴趣。
此外，让我知道你更喜欢哪一个，为什么——尽量保持你的观点不偏不倚。
喜欢这篇文章吗？成为 中等会员 继续无限制学习。如果你使用下面的链接，我会收到你的一部分会员费，不需要你额外付费。
[## 通过我的推荐链接加入 Medium-Dario rade ci
作为一个媒体会员，你的会员费的一部分会给你阅读的作家，你可以完全接触到每一个故事…
medium.com](https://medium.com/@radecicdario/membership)
原载于 2020 年 10 月 26 日https://www.betterdatascience.com。
Azure Synapse 分析工作区的十大功能
让我们来分解 Azure Synapse Analytics 的不同组件
作者图片
TLDR
- 什么是 Azure Synapse Analytics
十大特色
- SQL 池
- 复印作业
- 数据流
- 管道
- SQL 脚本
- 火花笔记本
- 从存储器快速读取数据
- 运行 ML 项目
- 可视化
- 访问控制
什么是 Azure Synapse Analytics
它是一个端到端的数据平台，将数据仓库、可视化、数据科学和 ETL / ELT 流程全部结合在一个地方。在这篇博客中，我将列出一些使 Azure Synapse Analytics 成为一个非常强大的工具的顶级功能。
1。SQL 池(数据仓库)
如果你在 Azure 门户中键入“Azure SQL 数据仓库”，Azure Synapse 就会出现。这是 Synapse 之前 Azure 产品中以前的数据仓库的名称。就 Azure Synapse 是什么而言，这可能会造成一点混乱。Azure Synapse 不仅仅是数据仓库，它还有数据仓库以及上图中显示的其他几个组件。数据仓库被称为 SQL 池。使用 SQL Pool，您可以加载事实表或维度表。您还可以随时选择增加计算以获得更好的性能，以及暂停 SQL 池。
2。复印作业
现在我们知道 Azure Synapse 包含数据仓库，我们需要将数据放入数据仓库。这是通过编排工具完成的。您可以从工作区内的多个连接器中的任何一个创建复制作业。看看下面的连接器。这些是你可能在 Azure Data Factory 中见过的连接器。
作者视频。来自微软复制活动的文档
您还可以从多种格式中复制数据:
作者图片
3。数据流
这可能是我在 Azure Synapse 中最喜欢的功能，因为它降低了清理数据的障碍。我非常支持让事情变得更容易完成(我认为每个人都应该成为:D)。数据流将 SQL 带到您的家门口，能够执行常见的任务，如连接、联合、查找、选择、过滤、排序、更改等等。所有代码都很少甚至没有。
作者图片
它还能让您很好地了解数据清理过程。看看下面的例子。
作者图片
4。管道
一旦创建了拷贝作业或数据流。你可以通过管道来运行它。这使您有机会通过添加触发器来调度作业，从而自动化该过程。
作者图片
或者
向管道中添加其他活动，如 Spark 作业、Azure 函数、存储过程、机器学习或条件(If、then、ForEach 等)。
作者图片
5。编写 SQL 脚本
在 SQL 脚本下，您可以编写自己熟悉的 SQL 语句。它可以灵活地连接到 Synapse 工作区之外的外部数据源，例如 Hadoop、Azure Data Lake Store 或 Azure Blog Storage。您还可以连接到公共数据集。看看下面的例子
[## 使用 SQL on-demand(预览版)在 Azure Synapse Studio(预览版)中分析 Azure 开放数据集…
在本教程中，您将学习如何通过使用……组合不同的 Azure Open 数据集来执行探索性数据分析
docs.microsoft.com](https://docs.microsoft.com/en-us/azure/synapse-analytics/sql/tutorial-data-analyst)
可视化您的 SQL 输出
在 SQL 查询的结果窗口中，您可以通过将视图菜单从表格更改为图表来可视化结果。这为您提供了自定义结果的选项，例如，我在下面运行的查询让我可以选择以折线图的形式查看我的结果，我还可以随意编辑图例并为其添加标签。完成后，我可以将图表保存为图像，以便在 Azure Synapse 之外进一步使用。
作者图片
6。一本闪闪发光的笔记本
你可以连接不同风格的 PySpark(Python)，Spark(Scala)，。Net Spark (C#)和 Spark SQL。有了这些选项，您可以在同一个笔记本中用任何语言无缝地编写代码。
参见下面的示例，其中
- 用 PySpark (Python)连接一个 ADLS csv 文件
- 用 PySpark 创建一个临时视图
- 然后使用 SparkSQL 读取临时视图
- 这为您提供了更多选择，例如:
- 按特定列排序
- 创建一个图表(类似于 SQL 脚本)
5.再往下，我用 Spark(Scala)连接到一个 SQL 池
作者图片
Azure Synapse 笔记本最大的特点之一就是可以灵活地使用任何语言来完成工作。具有不同技能的人可以在示例笔记本中轻松协作。
7。从 Azure Data Lake 商店快速阅读(ADLS)
ADLS 是 Azure Synapse 的默认存储单元，它基本上就像一个文件浏览器，能够保存不同格式的数据。它也有助于快速预览数据，使用 Azure Synapse，您可以右键单击文件，执行一些方便的选项，如:
- 选择前 100 行
- 预览数据
- 用 Spark 将数据读入笔记本
- 将数据读入 SQL 表
- 创建数据集
- 创建数据流
作者图片
拥有这些选项就像拥有热键或键盘快捷键，因为它们加快了数据摄取过程。
8。运行机器学习项目
机器学习可以通过 Apache Spark MLlib 在 Azure Synapse 中使用(参见示例链接)。你可以导入你喜欢的 ML 包，比如 Matplotlib，Pandas，Numpy 等等。您还可以选择通过 Azure Machine Learning Studio 创建您的 ML 模型，并通过我在特性 4 中提到的管道接收它。
[## 使用 Apache Spark ml lib-Azure Synapse Analytics 构建机器学习应用程序
在本文中，您将学习如何使用 Apache Spark MLlib 创建一个机器学习应用程序，该应用程序执行简单的…
docs.microsoft.com](https://docs.microsoft.com/en-us/azure/synapse-analytics/spark/apache-spark-machine-learning-mllib-notebook)
9。可视化
在 Azure Synapse 中，您还可以链接您的 Power BI 工作区。这允许您将数据导入 Power BI，以创建报告和响应性仪表板。
作者图片— 来自 Azure GitHub 的数据集 Repo
10。访问控制
对于我上面提到的所有功能，权限对于维护职责分离至关重要。在 Azure Synapse 中，您可以基于您的角色分配权限。有 3 个角色:工作区管理员、SQL 管理员和 Apache Spark 管理员。
作者图片
更多详情请点击下面的链接
[## 教程:Azure Synapse 分析入门-使用 Power BI - Azure 可视化工作区数据…
在本教程中，您将学习如何创建一个 Power BI 工作区，链接您的 Azure Synapse 工作区，并创建一个…
docs.microsoft.com](https://docs.microsoft.com/en-us/azure/synapse-analytics/get-started-visualize-power-bi)
结论
Azure Synapse 拥有大量功能，无论您是数据分析师、数据科学家、数据工程师还是所有这些角色的混合体。在我即将发表的文章中，我希望你能和我一起探索这些特性。
十大免费自动化测试工具，让您的生活更轻松
今天，我们需要一切都快而又快捷，所以这就是为什么有那么多工具可以帮助你更快地实现目标。
我整理了一份 10 大自动化工具的清单，可以帮助你更快地完成工作。这个列表包含了不同的测试工具，这些工具被用于自动化/手动测试、单元测试、性能、web、移动等领域。
比所有那些能帮到你的自动化工具更好的是，它们可以免费使用( 开源 )。
让我们直接投入进去吧！
硒
Selenium 使用Chrome 的 Web 驱动程序来测试命令和处理网页以获得你需要的数据。它与几乎所有可用的编程语言兼容，并为您提供了各种各样的命令和选项，您可以对其进行操作。
这是我最喜欢的，我已经写了很多次了。我将它与 Python 和 Web Scraping 结合起来，以获得可能的最佳结果。
如果你想了解更多关于 Selenium 及其功能的信息，请查看:Selenium 的 25 大功能，它们将使你成为网络抓取专家。
另外，如果你想要更高级的用法，请查看:如何用 Python 制作分析工具。
链接到图像
美味的汤
美汤是一个 python 库，用于从 HTML 和 XML 文件中提取数据。它创建了数据解析树以便于获取数据。
继 Selenium 之后，这也是我的最爱之一，仅仅是因为它的易用性和强大性。
这里还有一个美汤用法的例子:如何用 Python 省钱。
将链接到图像
机器人工厂
Robotium 是一款免费软件，可以让你测试基于 Android 的应用程序。这是一个测试自动化框架，它支持许多不同的测试领域，包括灰盒 UI 测试、系统测试，以及对本地和混合 android 应用程序的用户接受度测试。
从他们的 GitHub 库中:
R obotium 是一个 Android 测试自动化框架，完全支持本地和混合应用程序。Robotium 使得为 Android 应用程序编写强大且健壮的自动黑盒 UI 测试变得容易。在 Robotium 的支持下，测试用例开发人员可以编写功能、系统和用户验收测试场景，跨越多个 Android 活动。
将链接到图像
瓦特尔
Watir 是一个免费的 Ruby 库，可以让你进行自动化测试，比如点击、填写表格等。
Name 是一个首字母缩写词，来自于应用程序 uby。
从他们的网站:
用于自动化测试的开源 Ruby 库。Watir 与浏览器的交互方式和人们一样:点击链接、填写表格和验证文本。
将链接到图像
阿帕奇 JMeter
Apache JMeter 是一个免费使用的 Java 桌面应用程序，主要用于 web 应用程序负载测试。它还支持有限的功能和单元测试。
它有许多不同的选项，如动态报告、可移植性、强大的测试 IDE，并支持不同类型的应用程序、shell 脚本、Java 对象和数据库。
从他们的网站:
Apache JMeter 应用程序是开源软件，一个 100%纯 Java 应用程序，旨在加载测试功能行为和测量性能。它最初是为测试 Web 应用程序而设计的，但后来扩展到了其他测试功能。
Apache JMeter 可用于测试静态和动态资源、Web 动态应用程序的性能。
可用于模拟一台服务器、一组服务器、网络或对象上的重负载，以测试其强度或分析不同负载类型下的整体性能。
这里还有一个教程列表，可以帮助您开始使用 JMeter:
将链接到图像
卡塔隆
Katalon 是用于 web 和移动自动化测试的开源软件。它非常简单，支持跨平台使用。除此之外，它有惊人的 JIRA 实现。
从他们的网站:
Katalon 帮助您快速生成跨平台的自动化测试。
将自动化测试无缝集成到您的 CI/CD 管道中。
利用 Katalon TestOps 提供集中的报告和质量洞察。
将链接到图像
专家
Maven 是一个用于 Java 项目自动化测试的免费工具。
我自己也经常使用 Maven，我不得不说这是一款相当不错的软件。
从他们的网站:
Maven 基本上是一个开源的构建自动化工具，主要用于 java 项目。我们有可供测试的 maven 插件。插件提供的“surefire:test”目标与软件管理生命周期的测试阶段相关联。
将链接到图像
硒机器人
这是一个用于 Android 应用程序和移动网络的免费自动化框架。它支持扩展和并行测试。
Selendroid 是一个用于 Android 和 web 应用程序的免费自动化框架。【Selendroid 很酷的一点是它支持并行测试和伸缩。
从他们的网站:
elendroid 是一个测试自动化框架，它驱动了 Android 本地和混合应用程序(apps)以及移动 web 的 UI。测试是使用 Selenium 2 客户端 API 编写的——就是这样！
将链接到图像
Linux 桌面测试项目
LDTP 是一个免费工具，主要针对各种语言的 GUI 测试( Python 、 Java 、 Ruby、Perl、C#、VB.NET、PowerShell 、 Clojure )
从他们的网站:
GNU/Linux 桌面(GUI 应用程序)测试项目(GNU LDTP)旨在开发高质量的测试自动化框架和尖端工具，用于测试和改进 GNU/Linux 或 Solaris 桌面。它使用可访问性库通过应用程序的用户界面进行发现。
链接到图像
开放测试
OpenTest 是一款免费的 web、移动应用和 API 工具。
从他们的网站:
OpenTest 是一个面向 web 应用程序、移动应用程序和 API 的免费开源功能测试自动化框架，为可伸缩性和可扩展性而构建，重点是支持主流测试自动化实践。OpenTest 是一个功能强大的工具，几乎不需要任何编码技能，几乎可以处理任何类型的功能测试自动化项目。
将链接到图像
临终遗言
还有很多工具，我没有在这里介绍，但是这些工具对我来说非常重要。
我希望你喜欢这 10 个免费自动化测试工具的列表，并关注我获得更多！
感谢阅读！
查看我的其他文章并关注我的媒体
当我有新文章发表时，请在 Twitter 上关注我
2020 年最受欢迎的 10 种编程语言
权威指南
Python，JavaScript，Java，C#，C，C++，PHP，Swift，Go，Ruby
大约有 600 种编程语言。编程语言的需求和受欢迎程度每年都在波动。此外，新的编程语言也带来了吸引人的特性。
那么，应该学习哪种编程语言呢？学习一门新的编程语言总是对你的时间和智力的投资。如果你是一个经验丰富的开发人员或者已经知道几种编程语言，你可以学习一种合适的现代语言。最近，我写了一篇博客，列出了七种值得学习的现代编程语言:
Rust、Go、Kotlin、TypeScript、Swift、Dart、Julia 如何促进您的职业发展并提高您的软件开发技能
towardsdatascience.com](/top-7-modern-programming-language-to-learn-now-156863bd1eec)
但是如果你在 2020 年开始你的编程生涯，或者学习你的第一或第二种编程语言，那么学习主流和成熟的编程语言之一是明智的。这里我将根据以下标准列出编程语言:
- 已经成为软件开发行业的主流并牢牢确立了地位。
- 在知名编程语言排名网站中排名第一的。
- 受欢迎程度正在上升或保持稳定而不是急剧下降。
- 他们有大量的库、框架、工具支持，并且有一个庞大的社区。
- 他们在就业市场上要求高薪。
此外，我将总结编程语言以及历史背景、关键特性和主要用例。
1.计算机编程语言
当吉多·范·罗苏姆在 20 世纪 90 年代开发 Python 作为他的副业时，没有人想到它有一天会成为最流行的编程语言。考虑到所有公认的排名和行业趋势，我将 Python 作为整体上的头号编程语言。
Python 并没有像 Java 或 C/C++那样迅速流行起来。另外，Python 不是一种破坏性的编程语言。但是从一开始， Python 就专注于开发者体验并试图降低编程的门槛，这样学校的孩子们也可以编写产品级的代码。
2008 年，Python 经历了一次大规模的检修和改进，代价是通过引入 Python 3 引入了重大的突破性变化。
今天，Python 无处不在，并被用于许多软件开发领域，而且没有放缓的迹象。
3 个关键特性:
- Python 的 USP 是它的语言设计。它高效、优雅、简单，但功能强大。
- Python 与 C/C++进行了一流的集成，可以无缝地将 CPU 繁重的任务卸载给 C/C++。
- Python 有一个非常活跃的社区和支持。
人气:
在过去的几年里，Python 的需求有了巨大的增长，而且没有减缓的迹象。编程语言排名网站 PYPL 将 Python 列为 2019 年受欢迎程度相当高的头号编程语言:
来源: PYPL
此外，根据 GitHub repositories 的贡献，Python 已经超过 Java，成为第二大最受欢迎的语言:
来源:八月
另外，StackOverflow 开发者调查将 Python 列为第二大最受欢迎的编程语言(第四大最受欢迎的技术):
另一个编程语言排名网站 TIOBE 将 Python 列为第三大最受欢迎的语言，去年有了巨大的进步:
来源: TIOBE
根据 GitHub Octoverse 的数据，Python 仍然有机会在今年的排名中进一步上升，因为 Python 去年增长了 50%:
来源:十月
StackOverflow 开发者调查将 Python 列为第二受欢迎的编程语言:
大多数较老的主流编程语言都有稳定或向下的牵引力。此外，Python 是一个例外，在过去的五年中，它有着越来越强的上升趋势，这一点从 Google trends 中可以清楚地看出:
来源:谷歌趋势
就业市场:
据 Indeed 报道，Python 是美国就业市场上需求最大的编程语言，2020 年 1 月最高 74 K 职位发布。此外，Python 以 12 万美元的年薪排名第三。
来源:的确
另外，StackOverflow 开发人员调查显示，与其他主流编程语言相比，Python 开发人员的经验相对较少，但薪水却很高:
主要使用案例:
- 数据科学
- 数据分析
- 人工智能，深度学习
- 企业应用
- Web 开发
2.Java Script 语言
在第一次浏览器大战期间，网景公司指派布伦丹·艾希为其浏览器开发一种新的编程语言。Brendan Eich 只用了十天就开发出了最初的原型，剩下的就是历史了**。由于 JavaScript 糟糕的语言设计和缺乏特性，软件开发人员在早期经常嘲笑它。**
多年来，JavaScript 已经发展成为一种多范式、高级的动态编程语言。JavaScript 的第一次重大突破出现在 2009 年，当时 Ryan Dahl 发布了跨平台 JavaScript 运行时 Node.js 并使 JavaScript 能够在服务器端运行。
JavaScript 的另一个巨大突破发生在 2010 年左右，当时谷歌发布了一个基于 JavaScript 的网络开发框架 AngularJS。
今天，JavaScript 是全球使用最广泛的编程语言之一，几乎可以在任何地方运行:浏览器、服务器、移动设备、云、容器、微控制器。
3 个关键特性:
- JavaScript 是浏览器编程中无可争议的王者。
- 得益于 Node.js，JavaScript 提供了事件驱动编程，特别适合 I/O 繁重的任务。
- JavaScript 在过去几年里经历了大规模的现代化和彻底改革，特别是在 2015 年、2016 年和以后。
人气:
JavaScript 是排名最靠前的编程语言之一，因为它在所有平台上无处不在的使用和大量采用。
根据 GitHub repositories 的贡献，Octoverse 已经连续五年将 JavaScript 列为头号编程语言:
来源: Octoverse
此外，StackOverflow 开发者调查 2019 将 JavaScript 列为最受欢迎的编程语言和技术:
另一个编程语言流行网站 PYPL 将 JavaScript 列为第三大流行编程语言:
来源: PYPL
编程语言流行网站 TIOBE 将 JavaScript 列为第七大最流行的编程语言:
来源: TIOBE
根据 StackOverflow 开发人员调查，JavaScript 一度被开发人员视为可怕的编程语言，也是第 11 大最受欢迎的编程语言:
JavaScript 的趋势相对稳定，如 Google Trends 所示:
来源:谷歌趋势
就业市场:
在美国的就业市场上，Indeed 将 JavaScript 列为第三大需求最大的编程语言，2020 年 1 月发布了 57 K 份工作。JavaScript 平均年薪为 11.4 万美元，在薪酬方面排名第四:
来源:的确
另外，StackOverflow 开发人员调查显示，JavaScript 开发人员可以凭借相对较低的经验获得中等收入:
主要使用案例:
- Web 开发
- 后端开发
- 移动应用程序开发
- 无服务器计算
- 浏览器游戏开发
3.Java 语言(一种计算机语言，尤用于创建网站)
Java 是迄今为止最具颠覆性的编程语言之一。在 90 年代，商业应用程序主要是使用 C++开发的，c++相当复杂并且依赖于平台。詹姆斯·高斯林和他在 Sun 的团队通过提供一种更简单的、面向对象的、支持多线程编程的解释型编程语言，降低了开发商业应用程序的门槛。
Java 通过开发 Java 虚拟机(JVM)实现了平台无关性，从开发者那里抽象出底层操作系统，给出了第一个“一次编写，随处运行”的编程语言。此外，JVM 提供了代垃圾收集，它管理对象的生命周期。
近年来，Java 失去了一些市场，让位于对开发人员高度友好的现代语言和其他语言的兴起，特别是 Python、JavaScript。此外，JVM 由于其庞大的体积而不是云友好的。甲骨文最近对 JDK 征收高额许可费，这将进一步削弱 Java 的受欢迎程度。
幸运的是，Java 正在努力克服它的缺点，并通过 GraalVM 计划使 Java 适合云计算。此外，在 OpenJDK 中，有一个免费的替代专有的 Oracle JDK。
Java 仍然是企业的头号编程语言。
3 个关键特性:
- Java 提供了一种强大的、功能丰富的、多范例的、解释性的编程语言，具有适中的学习曲线和较高的开发人员生产率。
- Java 是严格向后兼容的，这是商业应用程序的一个关键要求。
- Java 的运行时 JVM 是软件工程的杰作，也是业界最好的虚拟机之一。
人气:
发布五年后，Java 成为第三大最受欢迎的编程语言，并在接下来的二十年里一直保持在前三名。以下是流行的 TIOBE 排名中 Java 的长期历史:
来源: TIOBE
根据 TIOBE 的说法，Java 的受欢迎程度在过去几年有所下降，但它仍然是最受欢迎的编程语言，如下所示:
来源: TIOBE
来源: TIOBE
根据 GitHub repository 的贡献，Java 在 2014-2018 年期间排名第一，去年才下滑到第三位:
来源:十月
另一个流行编程语言排名网站 PYPL 将 Java 列为第二大流行编程语言:
来源: PYPL
StackOverflow 开发者调查也将 Java 排在前列，仅被 JavaScript 和 Python 编程语言取代:
根据 Google trends，Java 在过去的五年中不断失去吸引力:
来源:谷歌趋势
就业市场:
据 Indeed 称，Java 是美国第二大需求最大的编程语言，2020 年 1 月有 69 K 个职位空缺。此外，Java 开发人员的年薪排名第六(10.4 万美元):
来源:确实
根据 stack overflow Developers survey 2019，Java 在几年的经验后提供了适中的工资:
主要使用案例:
- 企业应用开发
- Android 应用程序开发
- 大数据
- Web 开发
4.C#
2000 年，科技巨头微软决定创建他们的面向对象 C 语言，如编程语言 C#作为他们的一部分。NET initiative，它将被管理(运行在类似 Java 的虚拟机上)。经验丰富的语言设计师安德斯·海尔斯伯格设计了 C#作为微软公共语言倡议(CLI) 平台的一部分，在这个平台上，许多其他语言(主要是微软的语言)被编译成一种中间格式，在一个名为公共语言运行时(CLR) 的运行时上运行。
在早期，C#被批评为对 Java 的模仿。但是后来，两种语言都产生了分歧。此外，微软对 C#编译器/运行时的许可并不总是明确的。虽然微软目前没有在微软开放规范项目下实施其专利，但它可能会改变。
如今，C#是一种多范例编程语言，广泛应用于 Windows 平台、iOS/Android 平台(多亏了 Xamarin )和 Linux 平台。
3 个关键特性:
- 安德斯·海尔斯伯格出色地将 C#带出 Java 的阴影，并赋予了自己的身份。
- 在微软的支持下，C#已经在业界存在了 20 年，拥有庞大的库和框架生态系统。
- 像 Java 一样，C#也是独立于平台的(感谢 CLR ),可以在 Windows、Linux 和移动设备上运行。
人气:
流行语言排名网站 TIOBE 在 2020 年 1 月以巨大的收益排名第五:
来源: TIOBE
此外，Octoverse 将 C#列为 GitHub repositories 贡献的第五大流行编程语言:
来源:十月
StackOverflow 开发者调查将 C#列为第四大最受欢迎的语言(2019 年第七大最受欢迎的技术:
有趣的是，StackOverflow 开发者调查将 C#列为第十大最受欢迎的编程语言(远远高于 Java):
从 Google trends 可以清楚地看到，C#在过去几年里并没有被大肆宣传，如下所示:
来源:谷歌趋势
就业市场:
Indeed 为美国的 C#开发人员发布了 32，000 个职位空缺，使 C#成为该榜单中第五大最苛刻的编程语言。C#年薪 96 K 美元，在该榜单中排名第八:
来源:确实
StackOverflow 开发人员调查显示，就全球平均工资而言，C#高于 Java(尽管经验更丰富):
主要使用案例:
- 服务器端编程
- 应用程序开发
- Web 开发
- 游戏开发
- 用于 Windows 平台的软件
5.C
在 20 世纪 60 年代和 70 年代，CPU 的每个周期和内存的每个字节都非常昂贵。贝尔实验室工程师丹尼斯·里奇(Dennis Ritchie)在 1969 年至 1973 年间开发了一种过程化的通用编程语言，直接编译成机器语言。C 编程提供低级内存访问，并对底层硬件进行完全控制。
多年来，C 成为最常用的编程语言之一。此外，C 可以说是历史上最具颠覆性和影响力的编程语言，几乎影响了这个列表中的所有其他语言。
虽然 C 经常因其意外的复杂性、不安全的编程和缺乏特性而受到批评。此外，C 是平台相关的，即 C 代码是不可移植的。但是如果你想充分利用你的硬件，那么 C/C++或者 Rust 是你唯一的选择。
3 个关键特性:
- 由于 C 提供了低级内存访问并编译成机器指令，所以它是速度最快、功能最强大的编程语言之一。
- c 提供了对底层硬件的完全控制。
- c 是“该语言的编程语言”之一，也就是说，许多其他编程语言如 Ruby、PHP、Python 等的编译器都是用 c 编写的。
人气:
c 语言是这个列表中最古老的编程语言，已经统治这个行业 47 年了。从 TIOBE 的长期排名历史中可以清楚地看出，c 语言在编程语言流行度排名中的统治地位超过了任何其他语言:
来源: TIOBE
根据 TIOBE 排名，C 是 2019 年第二大最受欢迎的语言，人气增长巨大:
来源: TIOBE
来源: TIOBE
根据 GitHub 资源库的贡献，Octoverse 还将 C 语言列为第九大最受欢迎的语言:
来源: Octoverse
StackOverflow 开发者调查也将 C 语言排在第 12 位(考虑编程语言的第 8 位):
在过去的五年里，Google trending 也显示了对 C 语言相对稳定的兴趣。
来源:谷歌趋势
就业市场:
根据 Indeed 的数据，在美国有 28000 个 C 开发人员的职位空缺，这使得 C 成为第六大最苛刻的编程语言。薪资方面，C 以 Java(104K)排名第 6:
来源:的确
StackOverflow 开发人员调查显示，与 Java、Python 等相比，C 语言开发人员可以获得平均工资，但需要更长的时间才能达到这一水平:
主要使用案例:
- 系统程序设计
- 游戏开发
- 物联网和实时系统
- 机器学习，深度学习
- 嵌入式系统
6.C++
20 世纪 70 年代，比雅尼·斯特劳斯特鲁普和丹尼斯·里奇(C 语言的创造者)一起在贝尔实验室工作。深受 C 语言的影响，他首先创建了 C++作为 C 语言的扩展，增加了面向对象的特性。随着时间的推移，C++已经发展成为一种多范例、通用的编程语言。和 C 一样，C++也提供低级内存访问，并直接编译成机器指令。
C++也提供了对硬件的完全控制，但代价是意外的复杂性，并且不提供对内存安全和并发安全的语言级支持。此外，C++提供了太多的功能，是最复杂的编程语言之一。
由于所有这些因素及其平台依赖性，在 21 世纪初，C++在企业软件开发和大数据领域的受欢迎程度已经输给了 Java。
随着 GPU、容器化、云计算的兴起，C++越来越受欢迎，因为它可以快速适应硬件或生态系统的变化。
今天，C++是业界最重要和使用最广泛的编程语言之一。
3 个关键特性:
- 像 Java 一样，C++也随着硬件或生态系统的变化而不断更新和适应自己。
- C++还提供了对底层硬件的完全控制，可以在任何平台上运行，并利用任何种类的硬件，GPU、TPU、容器、云、移动设备或微控制器。
- C++非常快，在性能关键和资源受限的系统中大量使用。
人气:
C++是该列表中第二古老的编程语言，在 TIOBE 编程语言排名中排名第四:
来源: TIOBE
根据 GitHub repository 的贡献，Octoverse 将 C++排在第 6 位:
来源:八月
此外，2019 年 StackOverflow 开发者调查将 C++列为第 9 大最受欢迎的技术(第 6 大最受欢迎的语言):
尽管 C++面临着来自 Rust 或 Go 等现代编程语言的激烈竞争，但在过去的五年中，它仍然引起了稳定的兴趣:
就业市场:
事实上，C++已经以 41，000 的招聘量被列为第四大最苛刻的编程语言。此外，C++开发人员每年收入 10.8 万美元，排名第五:
来源:确实
StackOverflow 开发人员调查显示，与 Java 相比，C++开发人员可以获得更高的工资，尽管他们的经验更长:
主要使用案例:
- 系统程序设计
- 游戏开发
- 物联网和实时系统
- 机器学习，深度学习
- 嵌入式系统、分布式系统
7.服务器端编程语言（Professional Hypertext Preprocessor 的缩写）
像 Python 一样，PHP 是另一种编程语言，是由一个开发者在 90 年代作为一个附带项目开发的。软件工程师拉斯马斯·勒德尔夫最初创建了 PHP，作为一套用 C 语言编写的公共网关接口二进制文件来创建动态网络应用程序。后来，更多的功能被添加到 PHP 产品中，它有机地演变成一种成熟的编程语言。
目前，PHP 是一种通用的动态编程语言，主要用于开发服务器端的 Web 应用程序。
随着基于 JavaScript 的客户端 Web 应用程序开发的兴起，PHP 正在失去吸引力和受欢迎程度，PHP 已经过了它的全盛时期。与普遍的看法相反，PHP 不会很快消亡，尽管它的受欢迎程度会逐渐降低。
3 个关键特性:
- PHP 是一种高效的服务器端 Web 开发编程语言。
- 在过去的 35 年里，PHP 被用于 Web 开发，市场上有许多成功且稳定的 PHP 开发框架。
- 许多大公司都在使用 PHP(脸书，WordPress)，这为它带来了极好的工具支持。
人气:
编程语言排名网站 TIOBE 在 2020 年 1 月将 PHP 列为第八大最受欢迎的编程语言。虽然 PHP 的长期排名历史表明，PHP 已经过了它的全盛时期，正在慢慢失去它的吸引力:
来源: TIOBE
Octoverse 将 PHP 列为 GitHub repositories 贡献的第四大最受欢迎的编程语言:
来源:八月
根据 2019 年 StackOverflow 开发者调查，PHP 是第五大最受欢迎的编程语言(第八大最受欢迎的技术):
尽管 PHP 仍然是使用最广泛的编程语言之一，但它的趋势正在慢慢下降，这一点从 Google Trends 中可以清楚地看出:
来源:谷歌趋势
就业市场:
2020 年 1 月，求职网站的确将 PHP 列为美国就业市场第七大需求编程语言，有 18 K 个职位。此外，PHP 开发人员可以期待一份合理的薪水(9 万美元)，这使他们在这一类别中排名第十:
来源:确实
StackOverflow 开发者调查显示 PHP 是 2019 年收入最低的编程语言:
主要使用案例:
- 服务器端 Web 应用程序开发
- 开发 CMS 系统
- 独立 Web 应用程序开发。
8.迅速发生的
Swift 是同时出现在我的列表中的仅有的两种编程语言之一:“****”。由克里斯·拉特纳领导的一组苹果工程师开发了一种新的编程语言 Swift，主要用于取代 Mac 和 iOS 平台上的 Objective-C。
它是一种多范例、通用、编译的编程语言，也提供了高开发效率**。Swift 支持 LLVM (开发者为克里斯·拉特纳)编译器工具链，如 C/C++，Rust。**
Swift 与 Objective-C 代码库具有出色的互操作性，并且已经成为 iOS 应用程序开发的主要编程语言。作为一种编译过的强大语言，Swift 在其他领域也越来越受欢迎。
3 主要特点:
- Swift 的主要 USP 之一是其语言设计。在 Apple 生态系统中，它提供了比 Objective-C 更高效、更好的替代方案，具有更简单、简洁、干净的语法和开发人员工效学特性。
- Swift 还提供了现代程序语言的特性:空安全。此外，它还提供了避免“末日金字塔”的句法优势
- 作为一种编译语言，Swift 和 C++一样快。它在系统编程和其他领域也越来越受欢迎。
人气:
像其他现代编程语言一样，Swift 在开发人员中非常受欢迎，在最受欢迎语言排行榜中排名第六:
Swift 在其第一个稳定版本发布仅 5 年后，就进入了 TIOBE index 最受欢迎编程语言排行榜的前 10 名:
来源: TIOBE
另一个流行编程语言排名网站 PYPL 将 Swift 列为第九大流行编程语言:
来源: PYPL
StackOverflow 开发者调查将 Swift 列为第 15 大最受欢迎的技术(第 12 大最受欢迎的编程语言):
Google trends 还显示 Swift 的受欢迎程度急剧上升:
来源:谷歌趋势
就业市场:
事实上，Swift 在美国排名第九，有 6000 个职位空缺。在薪酬方面，Indeed 以 12.5 万美元的年薪位列 Swift 第二:
来源:的确
StackOverflow 开发人员调查还显示，与 Objective-C 相比，Swift 开发人员可以凭借相对较少的经验获得高薪:
主要使用案例:
- iOS 应用程序开发
- 系统程序设计
- 客户端开发(通过 WebAssembly)
- 深度学习
- 物联网
9.去
和 Swift 一样，Go 也是过去十年中排名第二的编程语言。此外，与 Swift 一样，Go 也是由一家科技巨头创建的。
在过去的十年里，谷歌沮丧地发现，现有的编程语言无法承受谷歌看似无限的硬件和人力资源。比如编译 Google 的 C++代码库就花了半个小时。此外，他们想用新语言解决开发规模问题。
谷歌的著名软件工程师罗布·派克** (UTF-8)和肯·汤普森 (UNIX 操作系统)创造了一种新的、实用的、易学的、高度可扩展的系统编程语言 Go，并于 2012 年发布。 Go 有一个运行时和垃圾收集器(几兆)，但是这个运行时打包在生成的可执行文件中。**
虽然 Go 有点功能贫血，但它已经迅速成为主流编程语言。
3 个关键特性:
- Go 拥有对并发的语言级支持。它通过 Goroutine(轻量级绿色线程)和 Channel 提供了基于 CSP 的消息传递并发性。
- Go 最大的 USP 就是它的语言设计和简洁。它成功地结合了 Python 的简单性和高效性以及 c 的强大功能。
- Go 嵌入了垃圾收集器(虽然没有 JVM 垃圾收集器成熟)。Go 开发者可以用安全的 Java，Python 写系统编程。
人气:
和 Swift 一样，Go 的受欢迎程度也直线上升。
在几乎所有比较网站的流行编程语言中，Go 排名都很高，已经超过了很多现有的语言。这是 2020 年 1 月的 TIOBE 指数排名，Go 排名第 14 位:
来源: TIOBE
StackOverflow 开发者调查 2019 也将 Go 列为第 13 大最受欢迎的技术(第 10 大最受欢迎的编程语言):
根据 Stackoverflow 的调查，Go 是第九大最受欢迎的编程语言:
根据 GitHub Octoverse 的数据，Go 也是十大发展最快的语言之一:
来源: Octoverse
围棋越来越受欢迎也反映在谷歌趋势中，谷歌趋势显示过去五年围棋的吸引力越来越大:
来源:谷歌趋势
就业市场:
Indeed 将 Go 列为第十大最苛刻的语言，2020 年 1 月将有 4 K 个空缺。在薪酬方面，Go 排名第 9 位:
来源:的确
2019 年 StackOverflow 开发者调查显示，Go 是收入最高的编程语言之一:
主要使用案例:
- 系统程序设计
- 无服务器计算
- 商业应用
- 云原生开发
- 物联网
10.红宝石
Ruby 是这个列表中第三种由个人开发者在 20 世纪 90 年代开发的编程语言。日本计算机科学家松本幸宏创造了 Ruby 作为一种“面向对象的脚本语言”,并于 1995 年发布。
Ruby 后来发展成为一种解释的、动态类型的、高级的、多范例的通用编程语言。Ruby 是用 C 实现的，提供垃圾收集。
像 Python 一样，Ruby 非常关注开发人员的生产力和开发人员的快乐。虽然 Ruby 不是一种被大肆宣传的语言，但对于新开发人员来说，它是一种优秀的语言，学习曲线很平坦。
3 个关键特性:
- Ruby 成功地结合了编程语言的一些最佳特性:动态、面向对象、函数式、垃圾收集和简洁。
- 尽管 Ruby 本身没有破坏性，但它的 Web 开发框架 Ruby on Rails 可能是最具破坏性和影响力的服务器端 Web 开发框架。
- Ruby 被一些最大的软件项目所使用，比如 Twitter、GitHub、Airbnb，并且拥有优秀的工具和框架支持。
人气:
TIOBE 在 2020 年 1 月将 Ruby 列为第 11 大最受欢迎的编程语言，这是一个非常积极的举动:
****
来源: TIOBE
Octoverse 还将 Ruby 列为 GitHub repositories 贡献的 2019 年第十大最受欢迎的编程语言:
来源:十月
StackOverflow 开发者调查 2019 将 Ruby 列为第 9 大最受欢迎的编程语言(第 12 大最受欢迎的技术):
近年来，Ruby 并没有成为一种被大肆宣传的语言，但根据 Google 的趋势，它仍然保持着它的吸引力:
来源:谷歌趋势
就业市场:
在美国的就业市场上，Ruby 开发人员可以拿高薪，而且排名第一。此外，Indeed 在 2020 年 1 月发布了针对 Ruby 开发人员的 16 K 个职位空缺，这使得 Ruby 在最苛刻的编程语言中排名第八。
来源:的确
stack overflow developer survey 2019 也表明，Ruby 开发人员可以在相对较低的经验下获得高薪:
类似文章:
Rust、Go、Kotlin、TypeScript、Swift、Dart、Julia 如何促进您的职业发展并提高您的软件开发技能
towardsdatascience.com](/top-7-modern-programming-language-to-learn-now-156863bd1eec) [## 关于 2021 年软件发展趋势的 21 个预测
云、边缘、容器、量子、区块链、AI、深度学习、批处理、流媒体、数据库、编程、软件……
towardsdatascience.com](/21-predictions-about-the-software-development-trends-in-2021-600bfa048be) [## 2020 年前端开发的五大热门 JavaScript 框架
为前端开发人员、求职者和其他人提供的顶级 JavaScript 框架的深入分析和排名
medium.com](https://medium.com/@md.kamaruzzaman/top-5-in-demand-javascript-frameworks-for-front-end-development-in-2020-a59c4340d082)**
2020 年要学习的十大 JavaScript 框架
现代 JavaScript 开发中最重要的 JavaScript 框架的精选列表
照片由 Md Kamaruzzaman 拍摄
JavaScript 是最流行的编程语言之一，也是网络的通用语言。在我之前的一篇文章中，我将 JavaScript 列为仅次于 Python 的第二大需求编程语言**😗*
针对求职者和新开发人员的顶级编程语言的深入分析和排名
towardsdatascience.com](/top-10-in-demand-programming-languages-to-learn-in-2020-4462eb7d8d3e)
无论是想开发前端 web 应用还是后端 Web 应用，JavaScript 无处不在。有许多优秀的 JavaScript 框架，而新的 JavaScript 框架几乎每天都在出现。
如果你想在 JavaScript 开发领域开始你的职业生涯，或者如果你是一个有经验的 JavaScript 开发人员，现在想提升你的技术技能，那么你应该学习哪个框架？这里我根据以下标准列出了最重要的 JavaScript 框架:
- 流行基于可靠的网站( GitHub ，JavaScript 的状态， NPM 趋势，谷歌趋势)。
- 在社区和行业中成为主流并已确立。
- 一个庞大而充满活力的社区支持他们。
- 仍然很强大，不会像 jQuery 或 AngularJS 那样逐渐消失。
此外，我将包括前端和后端开发的框架。
我在这个列表中添加了纯 JavaScript 框架，除了 React 和 Node.js 。React 是一个只实现视图层的库。但实际上，React 核心库是整个 React 生态系统的一部分，包括其他 React 库(如 React 路由器)和第三方库。此外，像“【JavaScript 的状态】 ”和“ 栈溢出开发者调查 ”这样的知名网站已经将 React 列入 Web 框架类别。我还觉得，如果不包括最基本的 Web 框架/库，我只能给出 JavaScript 前景的一部分。此外， Node.js 是 JavaScript 运行时，而不是框架。但是 Node.js 提供了一个完整的基于 JavaScript 的后端开发生态系统，很多排名(例如“Stack Overflow Developer Survey”)通常会将 Node.js 与 Ruby on Rails、Django、PHP Laravel 放在后端框架类别中。我知道一些纯粹主义者可能不喜欢它，我会得到反弹，将 React 和 Node.js 包括在这个列表中。但是为了描绘 JavaScript 领域的全貌，我有意识地选择将 React 和 Node.js 放在这个列表中。
1.反应
React 并不是最早的颠覆性的基于 JavaScript 的 Web 框架。但它是最具颠覆性和影响力的基于 JavaScript 的网络框架。乔丹·沃克和一群脸书的工程师在 2013 年创建了 React，这是一个基于组件的 Web 框架，具有单向数据流，永远改变了前端 Web 开发。它还引入了许多其他概念，如函数式、声明式编程、不可变状态、，这在前端开发中并不常见。React 的另一个突破是引入了虚拟 DOM，它提供了更好的用户体验和性能增益。
今天，React 是迄今为止最占主导地位的 Web 框架,没有很快下滑的迹象。
5 个主要特点:
- React 是最不个性化的框架之一，React-Core 只是视图层的一个基于组件的库。
- React 有这样的口号:“**学一次，写哪里。”**软件工程师可以使用 React 开发 Web (React)、移动 App (React Native)、桌面 App(electronic)、后端开发(用 Node.js)。
- React 提供了一流的服务器端渲染(SSR)和出色的 SEO 支持。
- 科技巨头脸书的需求推动了发展。好的一面是，React 的功能经过了 T4 26 亿脸书用户的考验。
- React 也在不断完善自己，最近推出了 React-Fiber (并发性更好) React hook (样板代码更少)悬疑(渲染效果更好)。
人气:
React 每周有 800 万次下载，是目前下载量最大的前端 JavaScript 框架。此外，过去五年的 NPM 趋势表明，React 是前端框架中的明显赢家，远远领先于其他框架:
来源: NPM 趋势
它是 GitHub 中排名第二的 JavaScript 框架，拥有第二多的贡献者:
来源: GitHub
“JavaScript 现状”调查将 React 放在满意度和认知度的首位:
2019 年 StackOverflow 开发者调查将 React 列为 Web 开发中第二大使用框架:
它也是 2019 年最受欢迎的前端框架:
2.节点. js
尽管在服务器端开发中有过几次使用 JavaScript 的尝试，但都不是很受欢迎。2009 年， Ryan Dahl 创建了异步、事件驱动的服务器端 JavaScript runtime Node.js 并将 JavaScript 带入了后端开发的未知领域。Ryan Dahl 使用了流行的 JavaScript 引擎 V8 和 C++库。从那以后，Node.js 和 JavaScript 的受欢迎程度直线上升。凭借节点包管理器 NPM 和无数的框架/库，Node.js 已经超越了许多其他成熟的服务器端框架。由于其异步事件驱动的特性和轻量级的快速运行时，Node.js 特别适合 I/O 繁重的应用程序，如 Web、IoT、无服务器。
今天，Node.js 不是一个框架，而是服务器端 JavaScript 开发的整个生态系统。凭借许多创新(如 NPM、模块系统)，Node.js 是改进 JavaScript 作为编程语言并增加 JavaScript 受欢迎程度的主要驱动力之一。
5 个主要特点:
- Node.js 是一个异步、事件驱动的 JavaScript 框架，用于构建可伸缩的网络应用。
- Node.js 是一个跨平台，将 Java 的“一次编写，随处运行”提升到了一个新的高度。它可以在 Windows、Linux、macOS、iOS、Android 和许多其他平台上运行。
- 由于其相对较小的尺寸和较快的启动速度，Node.js 大量用于无服务器计算。
- Node.js 由 OpenJS 基金会运营，是一个开源框架，不受一家科技公司的控制。今天，几乎所有的科技巨头(IBM、微软、网飞)都在使用和支持 Node.js
- 它原生支持 JavaScript 和所有其他**“编译成 JS”语言，如 TypeScript、CoffeeScript、Dart** 。Node.js 还支持 Web 的下一个巨大事物: WebAssembly 。
人气:
虽然 Node.js 是排名第三的 JavaScript 项目，但它在 GitHub 中拥有最多的贡献者:
来源: GitHub
StackOverflow 开发者调查 2019 将 Node.js 放在了其他框架类别的首位:
此外，2019 年 Stack Overflow 开发者调查将 Node.js 列为第六大最受欢迎的框架:
从过去十年的 Google 趋势数据来看，很明显 Node.js 已经超越了其他流行的服务器端框架，如 PHP Laravel、Django 和 ASP.NET。
来源:谷歌趋势
3.vue . j
在网络框架得到大型科技公司支持的今天， Vue.js 是一个例外。2014 年，前谷歌工程师尤雨溪决定结合 AngularJS (视图层)和 React (虚拟 DOM)的优点，创建 Vue.js。今天，Vue.js 是最受欢迎的基于 JavaScript 的 Web 框架之一。尤雨溪的关键设计目标之一是降低基于 JavaScript 的前端开发的门槛。Vue.js 是最简单的前端框架之一，开发人员可以在其中轻松编写 SPA 应用程序。
开发者可以使用 Vue.js 作为一个端到端的框架，包括路由、状态管理(如 Angular ),或者仅仅作为一个视图层(如 React)。它还提供了类似双向数据绑定的角度，以及类似使用虚拟 DOM 渲染的额外反应。
5 个主要特点:
- Vue.js 提供了渐进式应用程序开发，是同类文档中最好的。如果您有一个大型的遗留 JavaScript 代码库，那么您可以使用 Vue.js 逐步更新您的代码库。
- Vue.js 既作为自以为是的端到端框架工作，也作为具有状态管理的视图层。
- 它提供了反应式双向数据绑定(如 Angular)和虚拟 DOM、事件源(如 React) 。
- Vue.js 对 JavaScript 和 TypeScript 的支持是一样的。
- Vue.js 在即将到来的 Vue.js 3.0 中正在经历重大的检修和改进。
人气:
Vue.js 是最明星的 GitHub 项目，如下图:
来源: GitHub
Vue.js 最近在行业中的采用率很高，这从 NPM 的高下载量和 Angular 的追赶上来看是显而易见的:
来源: NPM 趋势
根据 2019 年 StackOverflow 开发者调查，Vue.js 在所有 Web 框架中排名第 7:
此外，StackOverflow 开发者调查 2019 将 Vue.js 列为第二大最受欢迎的 Web 框架:
“JavaScript 现状”调查将 Vue.js 列为第二大热门网站:
4.有角的
在 AngularJS ，谷歌在 2010 年创建了最早的基于 JavaScript 的前端框架。但一旦脸书发布 React，它就暴露了 AngularJS 的设计缺陷，它很快成为一个过时的框架。因此，谷歌团队创建了一个全新的SPA 框架，并于 2016 年发布了 Angular 。Angular 和 AngularJS 虽然名称相似，但实际上是两种不同的框架。与 React 不同，它是一个端到端框架，提供开发企业级 Web 应用所需的一切“开箱即用”支持。此外，Angular 是第一个包含 TypeScript 的重要框架，并在 TypeScript 的流行中发挥了相当大的作用。
如今，Angular 在宣传和兴趣方面落后于 React、Vue.js 或 Svelte。但是它是一个经过验证的可靠的企业级框架，将会在未来几年内出现在社区中。
5 个主要特点:
- Angular.js 是一个端到端的框架，支持开发企业应用。在 Angular CLI 中，它拥有 JavaScript 领域中最好的命令行工具之一。
- 使用 TypeScript 并将模板从样式和业务逻辑中分离出来，它特别适合于企业级大型代码库。
- t 天生就是最安全的前端框架，具有像 DOM 清理这样的内置特性。
- 尽管谷歌没有像脸书支持 React 那样支持 Angular，但它仍然投入了足够的资源，以使 Angular 仍然是一个有吸引力的创新框架。最近它增加了惰性装载，差异装载来改善模块的装载时间。
- 在 Angular 9 中，它发布了一个新的渲染引擎 Ivy，以改善启动时间、响应时间，并减少包的大小。
人气:
如果我们考虑 GitHub stars，那么它是第四大流行的 JavaScript 框架，如下所示:
来源: GitHub
Angular 通过在行业中的大规模采用弥补了其缺乏人气，因为它在 NPM 下载量方面领先于非常受欢迎的 Vue.js:
来源: NPM 趋势
StackOverflow 开发者调查 2019 将 Angular 排在所有 Web 框架的第三位:
根据 2019 年“JavaScript 现状”调查，Angular 在认知度方面排名第二:
5.表达
当 Node.js 在 2009 年出现时， TJ Holowaychuk 已经基于极简网络框架 Sinatra 创建了 Express.js。它是一个开发 Web 应用程序和 REST API 的极简 Web 框架。也不那么固执己见，速度非常快。许多其他基于 JavaScript 的 Web 框架都是基于 Express 的。
今天，Express.js 无疑是最受欢迎的基于 JavaScript 的 Web 应用程序框架。
5 个主要特点:
- Express.js 几乎是默认的 JavaScript 服务器端框架。
- Express 是一个完整的应用框架，包括中间件、路由和模板。
- Express 支持 MVC 模式，View 系统支持 14 个以上的模板引擎。
- 它还提供可靠的路由。
- Express 还支持内容协商。
人气:
它是最流行的基于 JavaScript 的后端框架，GitHub stars 证明了这一点:
来源: GitHub
凭借每周超过 1000 万次的下载量，Express.js 是目前下载量最大的 JavaScript 框架:
来源: NPM 趋势
“JavaScript 现状”调查已经连续三年(2017、2018、2019)将 Express.js 列为顶级 JavaScript 服务器端框架:
2019 年 StackOverflow 开发者调查将 Express 列为 2019 年第五大最受欢迎的 Web 框架和最受欢迎的 JavaScript 后端框架:
6.Next.js
React 是一个非常非个性化的框架，其中 React-Core 只提供视图层。总是需要一个基于 React 的端到端的、固执己见的框架。蒂姆·诺特肯斯和一群来自荷兰公司 Zeit 的软件工程师在 React 和 Node.js 的基础上创建了 Next.js 作为一个端到端的、更高级别的网络框架。Next.js 为 Web、桌面和移动设备提供了服务器呈现的和静态的网站。
5 个主要特点:
- Next.js 建立在两个最流行和久经考验的 JavaScript 框架之上:React 和 Node.js。
- 它还提供了“一次构建，随处运行，”，即 Next.js 可以在 Web、移动和桌面上运行。
- Next.js 提供了出色的服务器端渲染，以及出色的 SEO 支持和快速启动。
- 它提供自动代码分割和基于文件系统的路由。
- 它还支持易于使用的数据获取和内置的 CSS 支持。
人气:
就 GitHub stars 而言，它是第六大最受欢迎的 JavaScript 框架和第二大最受欢迎的 JavaScript 后端框架:
来源: GitHub
Next.js 的受欢迎程度在过去几年里直线上升，下载量的增加就说明了这一点:
来源: NPM 趋势
根据《JavaScript 现状》2019，Next.js 连续两年(2018，2019)作为第二最满意的 JavaScript 后端框架:
7.流星
2012 年，一群工程师已经创建了 Meteor，作为一个基于 Node.js 的同构、开源的全栈 JavaScript 框架，它还支持为 Web、移动、桌面平台构建端到端的应用程序，并与 React、Vue.js、Angular、Svelte 等流行的前端框架很好地集成。它还是一个“电池内置”框架，为企业级应用程序开发提供“开箱即用”的支持。
5 个主要特点:
- Meteor 是一个全栈框架来开发完整的栈:前端到后端。
- 对于前端开发，它有自己的模板引擎。但开发者可以将 Meteor 与其他流行的前端框架一起使用，如 Angular、React、Vue.js 或 Svelte 。
- 它是一个跨平台框架，可以为 Web、移动和桌面开发应用程序。
- Meteor 已经集成了 JavaScript 栈，这使得不同的集成技术(例如 MongoDB 数据库、React 前端)变得非常容易。
- 它是一个同构平台，在客户端和服务器端共享相同的 API。
人气:
根据 GitHub 星级的数量，它是第七大最受欢迎的 JavaScript 框架:
来源: GitHub
“JavaScript 现状”调查将 Meteor 列为第七大最受欢迎的 JavaScript 框架，尽管其受欢迎程度正在下降:
8.苗条的
2016 年，卫报软件工程师 Rich Harris 有了的突破性想法，开发了一个没有框架特定运行时的 JavaScript 框架，并发布了 Svelte。这个想法是使用 Svelte 编译器，它将特定于框架的代码编译成普通的 JavaScript、HTML、CSS，并将编译后的代码呈现给浏览器。尽管这个概念在软件开发中并不新鲜，但在前端开发中却是未知的领域。Svelte 的另一个重要贡献是增加了对反应性的一流支持，从而在没有虚拟 DOM 的情况下实现更快、更好的性能。今天，它可以说是最热门的前端框架，在业界有着巨大的吸引力和兴趣。
5 个主要特点:
- 它是一个编译时框架，不需要任何特定于框架的运行时。在所有框架中，它拥有最小的包大小。
- Svelte 通过反应式编程执行 DOM 渲染，这在大多数情况下比虚拟 DOM 快。因此，Svelte 是所有框架中渲染速度最快的。
- Svelte 和 React-Core 一样只是一个视图层，是一个非个性化的框架。
- Svelte 同时支持客户端和服务器端渲染，具有出色的 SEO 支持。
- 开发人员可以使用 Svelte 开发 Web 应用程序、跨平台移动应用程序开发或桌面应用程序开发。
人气:
Svelte 自 2018 年第二版发布以来才开始流行，在 GitHub 星级中排名第八:
来源: GitHub
在过去的几年里，Svelte 在业内的认养人数越来越多，这从 NPM 趋势中可以明显看出:
来源: NPM 趋势
社区和行业对 Svelte 表现出了很高的兴趣，这一点从“JavaScript 的现状”调查中可以明显看出，Svelte 在兴趣方面排名第一:
9.寇阿相思树
在 2013 年，由 TJ Holowaychuk 领导的 Express.js 的核心成员已经创建了 Koa 作为一个轻量级的、现代的、富有表现力的、健壮的中间件框架，用于 Web 应用和 API。Koa 是非常模块化的，只有很小的核心，没有中间件。然而，中间件可以作为独立的模块使用。
5 个主要特点:
- Koa 有一个轻量级的、更小的内核，没有现成的中间件包。
- Koa 有一个高度模块化的架构，并提供可插拔的中间件模块。
- Koa 以类似堆栈的方式支持级联中间件，允许下游执行动作，而上游操纵响应。
- Koa 使用了 async/await 来代替回调，并且支持更干净、更有表现力的代码以及更好的错误处理。
- 性能方面，胜过 Express.js 。
人气:
Koa 也是一个非常受欢迎的基于 JavaScript 的后端框架，在 GitHub 星级中排名第九:
来源: GitHub
Koa 在行业中也大量使用，这从每周的高下载量可以明显看出:
来源: NPM 趋势
JavaScript 调查将 Koa 列为最令人满意的 JavaScript 后端框架的第五名:
10.Ember.js
受 Ruby on Rails 原则“约定优于配置”的启发，来自 Apple 的耶胡达·卡茨在 2012 年创建了 Ember.js 作为一个非常固执己见的端到端框架。Ember.js 是一个严格向后兼容的框架，从一开始就没有引入重大的突破性变化。当那个时代的其他框架(Backbone.js，AngularJS)越来越不受欢迎时，Ember.js 仍然提供了一个可靠的、高效的框架来满足现代前端开发的需要。
5 个主要特点:
- 端到端的自以为是的内聚框架关注于"约定胜于配置。"
- Ember 得到了 LinkedIn、雅虎等几家科技巨头的支持，而不是一家科技巨头。因此，它不是由一家公司的需求驱动的。
- Ember 的数据库是最好的一次访问多个数据源的数据，建立异步关系。
- 在 Ember CLI 中，它拥有所有 JavaScript 框架中最好的 CLI，有助于搭建和生成所有具有正确结构的必要代码，包括所有依赖项。
- 在其最新版本 Ember Octane 中，它引入了 HTML 优先和组件优先方法，改进了对状态管理和反应性的支持。
人气:
Ember.js 是 JavaScript 框架中排名第十的 GitHub 项目:
来源: GitHub
Ember.js 最近受到了业界越来越多的关注，每周下载量超过 10 万次:
来源: NPM 趋势
根据“JavaScript 现状”调查，Ember.js 在知名度方面排名第四:
类似文章:
针对企业和开发人员的顶级 web 开发框架的深入分析和排名
towardsdatascience.com](/top-10-in-demand-web-development-frameworks-in-2021-8a5b668be0d6) [## 2020 年最受欢迎的 10 种编程语言
针对求职者和新开发人员的顶级编程语言的深入分析和排名
towardsdatascience.com](/top-10-in-demand-programming-languages-to-learn-in-2020-4462eb7d8d3e) [## 现在要学习的 7 种现代编程语言
Rust、Go、Kotlin、TypeScript、Swift、Dart、Julia 如何促进您的职业发展并提高您的软件开发技能
towardsdatascience.com](/top-7-modern-programming-language-to-learn-now-156863bd1eec)
扫一扫
728
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
