蛋酱、魔王报道

2020 Kaggle年度报告发布:美国公司最容易「人均百万」,90%数据科学家坚持终生学习

近日,Kaggle 正式发布了 2020 年度报告,总共调查了 2 万多名开发者,但美国实体清单上的个人 / 实体代表除外。



Kaggle 是重要的数据建模和数据分析竞赛平台。近日,Kaggle 发布了第四次年度报告,试图从中一窥社区趋势。该调查涉及 20036 名 Kaggle 会员,此报告主要聚焦其中当前职位为「数据科学家」的受访者,约占 13%(2675 名)。

值得注意的是,想要成为参与调查并获得所设奖项,必须满足以下条件:

  • 年满 18 岁(或满足你所居住地区的成年年龄);

  • 不是克里米亚、古巴、伊朗、叙利亚、朝鲜或苏丹的居民;

  • 不是受美国出口管控条例制裁的个人 / 实体代表。


因此,这份报告可能会缺少相当一部分来自中国的 Kaggle 数据科学家的情况。

在众多回答中,Kaggle 总结了以下要点:

群体画像

  • 数据科学领域仍然存在严重的性别不均衡,大部分从业人员为男性;

  • 大部分数据科学家年龄在 35 岁以下;

  • 过半数据科学家有硕士学位。


教育和雇佣情况

  • 大多数数据科学家在正式教育之外继续学习;

  • 大多数数据科学家码龄不超过十年;

  • 过半数据科学家具备三年以下的机器学习经验;

  • 美国的数据科学家比其他国家的同行挣更多钱。


技术

  • 与 2019 年的调查结果相比,2020 年更多的数据科学家使用云计算;

  • scikit-learn 是 2020 年最流行的机器学习工具,超过五分之四的数据科学家使用 scikit-learn;

  • Tableau 和 PowerBI 是最流行的商业智能工具。


下面,我们来看每个层面的具体细节。

数据科学家群体画像

性别

数据科学领域仍然存在较大的性别差距,82% 为男性,相比去年的 84%,略有下降。



年龄

与去年的调查结果类似,数据科学家多为 30 岁左右,约 60% 的受访者年龄在 22-34 岁,只有 1/5 的职业数据科学家是 40 岁及以上。



国家

在本次报告中,印度开发者所占的比例最多(21.8%),美国紧随其后(14.5%),再往下是巴西和英国。




教育

高等教育

数据科学家大多有硕士学位,68% 获得了硕士或博士文凭,不到 5% 的学历在高中及以下。


终生学习

数据科学机器学习是快速变化的领域,90% 以上的 Kaggle 数据科学家保持终生学习的习惯。其中约 30% 接受的是传统高等教育课程,更多是通过线上材料学习。线上学习渠道中最常用的媒介是 Coursera、Udemy 和 Kaggle Learn。受访者中很多数据科学家选择多个学习渠道,平均数量为 2.8。



数据科学机器学习经验

编程经验

大多数 Kaggle 数据科学家都有编程经验。有 20 年以上编程经验的数据科学家仅有大约 8%,去年才开始编程的数据科学家占比约 9%。只有不到 2% 表示自己从未写过代码。

与全球受访者相比,美国数据科学家的编程经验要多得多。在美国,编程经验超过 10 年的占比 27%,而全球范围内这一比例仅为 22%。


机器学习经验

大多数 Kaggle 数据科学家都是机器学习领域的新手。约 55% 的数据科学机器学习经验不到三年,具备十年及以上机器学习经验的数据科学家占比不到 6%。


薪资水平

调查结果显示,在国家 / 地区的最常见工资中,美国公司可能支付的金额更高,德国和日本紧随其后。地区差别是存在的,比如来自印度的受访群体 90% 表示年收入不足 5 万美元,美国公司最有可能支付六位数的薪水。


技术

交互开发环境

基于 Jupyter 的 IDE 仍然是数据科学家的首选工具,大约 75% 的 Kaggle 数据科学家都在用它,但与去年的 83% 相比有所下降。VS Code 位居第二,仅占约 33%。这是它与 Visual  Studio 分离的第一年,两者今年合计占比超过 43%,而 2019 年不足 30%。


方法 & 算法

数据科学家最常用的算法是线性回归和 logistic 回归,紧随其后是决策树和随机森林。在更加复杂的方法中,梯度提升和卷积神经网络是最受欢迎的方法。



基于 Python 的工具仍然在机器学习框架这一项上占据主导,从统计结果可以看出,scikit-learn 适用于大部分项目,82.8% 的数据科学家都在使用它。各有 50% 左右的数据科学家使用过 TensorFlow 和 Keras,尤其是用于深度学习项目之中。

梯度提升库 xgboost 排名第四,使用率和 2019 年相似。排名第五的 PyTorch 从 2019 年的 26% 左右上升到了 30% 以上。在今年的调查中,最受欢迎的工具是基于 R 的 Tidymodels,占比达到 7% 以上。



企业云计算

这个领域有三个主要成员(不难猜),它们是 AWS、谷歌云平台、微软 Azure。值得注意的是,越来越多的数据科学家开始采用全部上云的方式。在 2019 年的调查中,大约 25% 的人没有使用云计算,但在 2020 年,这一比例下降到了 17%。



在云服务用户中,如果问到他们使用的特定产品,最常见的答案是计算云服务器,其次是无服务器技术,约有五分之一的人未提到云产品。

在使用 AWS 等云服务的用户中,有一半以上表示自己没有使用云上的机器学习工具,而使用的群体中,Amazon SageMaker 是最受欢迎的选项,其次是 Google Cloud AI/ML。

企业大数据

数据库方面,数据科学家并没有明显的偏好。最常被提及的是 MySQL(35.6%),其次是 PostgreSQL (28.86%) 和 SQL Server (24.93%)。


报告链接:https://www.kaggle.com/c/kaggle-survey-2020
产业Kaggle数据科学
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

推荐文章
暂无评论
暂无评论~