【.com快译】据统计，目前受访者选择最多的方法包括回归、聚类、可视化、决策树/规则、随机森林；只有20%的受访者使用深度学习方法；我们还汇总了每种方法在行业和学术层面的受欢迎程度。本次调查的问题非常简单：在过去的十二个月中，您选择了哪些数据科学/机器学习方法和工具进行实际使用？根据732名受访者提供的结果，得出以下结论：2017年应用最广泛的10大数据科学和机器学习方法本次调查的受访者平均使用7.7种工具/方法。接下来，我们将今年调查中使用最广泛的前16种方法进行了比较，并与去年的结果进行了比较，如下图所示。比较2017年和2016年排名前16位的数据科学/机器学习方法，我们注意到随机森林、可视化和深度学习的使用显着增加，而K-nn、PCA和Boosting则有所下降。梯度推进机是今年榜单上的第一名。尽管取得了令人瞩目的成功，但根据调查，只有20%的受访者实际使用深度学习方法。今年相比去年涨幅最大的工具/方法包括：贝叶斯方法，涨幅49%，从2016年的11.7%涨到2017年的17.5%。随机森林，涨幅32%，从2016年的35.1%涨到46.2%2017年。深度学习，增长20%，从2016年的17.2%增长到2017年的20.6%。生存分析，增长13.5%，从2016年的7.5%增长到2017年的8.5%。可视化，增长9%，从2016年的46.7%上升到2017年的51.0%。2017年榜单也迎来了多项新方法，包括：gradientbooster、20.4%卷积网络、15.8%循环神经网络（简称RNN）、10.5%隐马尔可夫模型（简称HMM）、4.6%强化学习,4.2%马尔可夫逻辑网络,2.5%生成对抗网络（简称GAN）,2.3%使用率下降最显着的包括：奇异值分解（简称SVD），下降48%，从2016年的15.4%下降了8.1%到2017年Graph/Link/SocialNetworkAnalysis，下降42%，从2016年的14.0%下降到2017年的8.1%GeneticAlgorithms/EvolutionaryMethods，下降42%，从2016年的8.3%下降到2017年的4.8%EM，下降36%，从2016年的6.4%到2017年的4.1%优化，下降26%，从2016年的23.2%到2017年的17.2%提升，下降20%，从2016年的30.6%下降到2017年的24.6%PCA，下降14%，从2016年40.5%到2017年34.7%平均工具使用8.3学生，15%，平均工具使用5.7研究人员/学术人员，11%，平均工具使用7.8其他，11%，平均olUsage7.1备注：只有35名受访者选择了政府/非营利组织——由于样本量较小，我将其归入“其他”类别。以下是排名靠前的16种方法及其偏差趋势结果。具体计算方法为：偏差（方法，归因）=比例（方法，归因）/比例（方法）-1。如果偏差值为正，则表示该方法的使用频率高于平均值。负值表示该方法的使用频率低于平均值。例如，支持向量机（SupportVectorMachines，简称SVM）被28.7%的受访者使用，而44.4%的研究人员使用，所以Deviation(SVM,Researchers)=44.4%/28.7%-1=54.9%。Top16数据科学方法及其归因趋势接下来，我们将考察每个数据科学方法在工业界/学术界之间的吸引力。下图展示了各数据科学方法在产业界和学术界的吸引力排名（学术界定义为学生+研究人员群体）：产业吸引力（方法）=比率（方法、产业）/比率（方法、学术界）-1其中，“工业界”最常用的方法是：增量建模（连续第二年登顶）异常/偏差检测梯度助推器“学术界”最青睐与深度学习相关的高级方法主题：生成对抗网络（GAN）强化学习递归神经网络（RNN）卷积网络数据科学方法及其工业/学术吸引力。***，全球地区参与度为：欧洲，39%美国/加拿大，33%亚洲，14%南美，6.0%澳大利亚/新西兰，4.8%非洲/中东，3.8%所有方法如下表所示的具体数据，按整体使用率排序。表中的列是：方法：数据科学方法2017年至2016年的百分比变化：与2016年相比的使用百分比变化总体使用百分比：使用该方法的受访者百分比按行业划分的使用百分比：行业类别使用该方法的受访者百分比MethodPercentageofStudentUsage:PercentageofStudentRespondentsUsingtheMethodPercentageofStudentUsage:PercentageofResearcherRespondentsUsingtheMethod表1：DataScienceMethodologyUsage更多AI内容，请关注公众号：AIpusher【翻译，合作本站转载请注明原译者及出处为.com]
