编译：米卡
我们对事物的看法都不同，有时一个人最喜欢的语言可能是另一个人的噩梦。 我个人的噩梦是用 C 进行日常编程。
本文介绍了我在数据科学家职业生涯中所学到的语言，包括，Weka、R、C++ 和。
数据科学是一个广阔的领域，从业者来自各种专业背景，例如经济学、生物学和语言学等。 尽管数据科学起源于统计学领域，但它很快就超越了计算机科学领域，如今数据科学已成为必不可少的工具。
由此可见，数据科学编程语言的发展就像宇宙：可能需要一生的时间才能充分探索，而且还在不断扩展。
众所周知，语言的通用性、使用性和复杂性之间存在着权衡。 因此，一种语言的流行程度只能作为当前趋势的指标，而不是作为决定您选择的因素。 最终，这是一个应用、经验和个人喜好的问题。
01
通过吴恩达的机器学习课程，我开始接触机器学习领域。 如果你也想学习机器学习，这是一个非常好的选择。
虽然当时R语言比较流行，但吴恩达在课程中选择了它。 当时我并没有觉得这让我烦恼，但现在看来很奇怪。 数据科学课程应该关注如何进行数据分析，而不是使用语言来进行数据分析。
吴恩达在这门课程中选择了一种更通用的语言，原因之一是这门课程的受众主要是计算机科学家和工程师，他们已经熟悉了它。 该课程的重点是在不使用库的情况下实现学习算法，因此它与任何专业语言一样好。
虽然我非常喜欢自动化工具和方便的库，但在开始数据科学时自己动手也很重要。
用于执行各种数据分析和机器学习任务的库并不缺乏。 它是信号处理和控制工程师等的首选框架。
但也不难理解为什么它没有征服数据分析领域。 毕竟它不是开源的，而且非常昂贵。 至于说，虽然开源，代码兼容，但是性能却远远逊色。
02
威卡
我与 Weka 的经历很短暂。 在大学里，Weka 被用作我的模式识别课程的工具。
通过这门课程，我学到的最有价值的教训是：GUI对数据科学家有着深远的影响。 Weka 以其易用性和理解性而自豪，并声称只需加载数据集并按下按钮即可轻松训练机器学习模型。 这样做的好处也是显而易见的。 当时市场对预测模型的需求很大，而能够满足这种需求的人才并不多。
寻找自动化工具并利用它们得出解决方案是当时的研究重点，即。 但我们花了几年时间并经历了很多失败才意识到，如果没有人类的参与，这个过程就无法完成。
在 20 世纪 90 年代末，无需完全理解数据就可以构建模型的幻想破灭了。 自动化工具可以简化我们的工作，发现良好的算法参数化、实用的预处理步骤和高效的测试管道。 但它们无法取代人类专家，至少在我们目前的专业水平上无法取代。
总而言之，您对您创建的模型负责。
03
右
在我的论文中，我深入研究和探索了R语言的特性和奥秘。 您可能听说过 R 语言是数据分析语言家族中的一种特殊语言。 R语言并不容易学，它是一个学习的过程，刚开始学习时我经常感到自我怀疑和迷失方向。
我们的目标是创建可以自动化机器学习实验的软件工具。 R更多的是目的而不是手段，我们希望利用丰富的R语言库对机器学习技术进行广泛的研究。
当时我想搭建一个完整的框架，在毕业设计中使用面向对象编程，所以首先要解决的问题是：R语言支持面向对象编程吗？ 答案是肯定的。 实际上，它有四种不同的工作方式。 这些都与我在 C++、Java 或 .
R语言还提供了很多方便的工具，比如data.，可以轻松捕捉数据集的特征和需求。 然而R语言也存在一些让我头疼的技术问题。 是一个免费的 R UI，当绘图不适合其平面时，它会抛出运行时错误等。
虽然我再也不会尝试在 R 中从头开始构建框架，但 R 提供的用于帮助可视化和预处理的大量软件包是巨大的优势。
04
C++
现在你一定会问，为什么要用C++来进行数据分析呢？ 为什么有人会这样做？
暑假的时候我在一家公司实习，公司用的是C++。 我猜想公司可能是考虑了传统和业务的结合，所以选择了能够高效执行的代码。
尽管如此，我还是决定使用R语言。 实习结束后，我将模型和函数转移到C++。 由于各种图表和出色的预处理技术，R语言也引起了公司中使用C++进行数据分析的人们的关注。 一些同事甚至对R产生了兴趣并开始尝试。
在获得满意的结果后，我尝试使用简单的 PCA 和 SVM R 包将模型合并到一个巨大的 C++ 框架中。 包非常适合于此，并提供支持向量机相关操作。
如今，当您想要跨语言迁移机器学习模型时，有很多选择。 例如，可以传递数学模型，即算法的参数化，然后跨库转换模型文件，或者使用包进行跨语言交互。
我发现仅仅使用相同的参数化是不够的。 虽然算法保持不变，例如具有高斯核的 SVM，但不同的实现可能采用不同的数学模型，因此需要不同的参数集。 即使模型保持不变，特定的实现因素也会显着影响模型的性能，因此需要不同的参数化。
最合适的方法是使用rcpp，一个可以链接C++框架和R脚本的包。 有些包还支持两种不同语言的库之间的兼容性，但在这种情况下很少使用。
05
我曾经和一位现任公司高管进行过这样的对话：
- 您打算在未来的工作中使用哪种语言？
- 我想我会用它。
——你用过吗？
— 不，我用过很多种语言，但我有一种很好的预感。
我很高兴我说服了他，现在我很舒服地使用它进行数据分析。 设置实验的简便性、附加功能的便利性以及丰富的库使我的工作非常顺利。 虽然我主要自己编写代码，但到目前为止我经常使用 Gym 来定义强化学习实验的环境。 同时，这是一个扩展库，提供了大量的强化学习算法。
不过，我并不是说要无敌。 程序员不应该局限于某种语言，而应该不断尝试。 因此，下次遇到新数据集时，不要害怕尝试新软件。 即使失败了，你也会从中有所收获。
原文链接：
点击这里关注我，记得标记star哦~
