¿Tiene sentido que un científico de datos aprenda Python después de adquirir competencia en R.? ¿No es mejor aprender Java con fines de producción?

Sí, tiene mucho sentido aprender Python. Este año, KDNuggets publica una encuesta y Python hizo lo que muchos sabían que haría años atrás: superó a R como el lenguaje más popular utilizado entre el personal de ciencia de datos y aprendizaje automático.

Python se usa con frecuencia en producción porque es simple, tiene una gran cantidad de bibliotecas estándar para la ciencia de datos (pandas, numpy, sklearn, tensorflow, etc.), y está mucho más cerca de la programación “real” que R. También es más poderoso en el tiene la sensación de que hay muchas más bibliotecas estándar para Python que puede integrar con su código ML y al mismo tiempo estar más cerca de un lenguaje de programación normal que R. Para fines de producción, también es MUCHO más rápido que R.

Java para producción es bueno si está utilizando Hadoop o una función MapReduce que necesita velocidad por encima de todo. La mayoría del código de ciencia de datos y ML se escribirá en Python debido a todas las bibliotecas y envoltorios (numpy y tensorflow vienen a la mente) alrededor del código C ++ que puede hacer que Python sea casi tan rápido como compilar C ++ nativo.

¿Eso significa que deberías cambiar completamente de R a Python? ¡¡NO!! R en este punto todavía expulsa a Python completamente del agua para los paquetes de análisis estadístico. Hay demasiadas bibliotecas por ahí que los estadísticos crean tan pronto como sale un nuevo documento para ignorar a R. Todavía uso R si alguna vez necesito un análisis estadístico. Pero para fines de aprendizaje automático y ciencia de datos en general, el 85% de mi trabajo probablemente se realizará en Python.

Editar: Existe la encuesta Nuevo líder, Tendencias y sorpresas en Análisis, Ciencia de datos, Encuesta de software de aprendizaje automático

Si va a trabajar con conjuntos de datos del tamaño de Google, Java y C ++ son los lenguajes para la producción (ya que son mucho más rápidos que Python o R).

Sin embargo, los conjuntos de datos en muchas compañías son lo suficientemente pequeños como para que Python o R puedan usarse en la producción, especialmente si uno lo piensa bien. El trabajo de ML de atención médica es un ejemplo.

En términos de aprender R o Python antes que el otro, no importa. Elija uno y obtenga experiencia práctica. Si la tarea requiere que cambies de idioma en algún momento, no es una transición desalentadora.

Creo que sí, principalmente porque aumentaría su rango y mejoraría su conjunto de habilidades. Siempre es emocionante explorar otra plataforma y trabajar en los conceptos desde un punto de vista diferente.

Los propósitos de producción realmente dependen de sus selecciones: Python también puede ser de calidad de producción, quién dice que no lo es. Java es solo otra plataforma. Tal vez sea un IDK más rápido: recién estoy comenzando en el campo. R parece genial: IDK, por qué no es una plataforma de producción.

Estoy en tu situación ahora. He estado usando R durante aproximadamente un año y medio y estoy en el nivel superior de experto pero por debajo de experto. Mi plan es aprender suficiente python para poder sobrevivir, pero seguir concentrándome en R. No voy a mirar Jaca, C u otros lenguajes ‘reales’.

Python está ganando popularidad, así que quiero suficiente exposición para poder leer y comprender el código de Python. R será mi enfoque principal porque hay una gran diferencia entre competente y experto, y es mejor para un científico de datos dominar un idioma que ser medio en dos.

Si conoce R y ciencia de datos, puede aprender un poco de Python que necesita en una semana.