Kaggle 是重要的數(shù)據(jù)建模和數(shù)據(jù)分析競(jìng)賽平臺(tái)。近日，Kaggle 發(fā)布了第四次年度報(bào)告，試圖從中一窺社區(qū)趨勢(shì)。該調(diào)查涉及 20036 名 Kaggle 會(huì)員，此報(bào)告主要聚焦其中當(dāng)前職位為「數(shù)據(jù)科學(xué)家」的受訪者，約占 13%（2675 名）。

值得注意的是，想要成為參與調(diào)查并獲得所設(shè)獎(jiǎng)項(xiàng)，必須滿足以下條件：

• 年滿 18 歲（或滿足你所居住地區(qū)的成年年齡）；
• 不是克里米亞、古巴、伊朗、敘利亞、朝鮮或蘇丹的居民；
• 不是受美國(guó)出口管控條例制裁的個(gè)人 / 實(shí)體代表。

因此，這份報(bào)告可能會(huì)缺少相當(dāng)一部分來(lái)自中國(guó)的 Kaggle 數(shù)據(jù)科學(xué)家的情況。

在眾多回答中，Kaggle 總結(jié)了以下要點(diǎn)：

群體畫像

• 數(shù)據(jù)科學(xué)領(lǐng)域仍然存在嚴(yán)重的性別不均衡，大部分從業(yè)人員為男性；
• 大部分?jǐn)?shù)據(jù)科學(xué)家年齡在 35 歲以下；
• 過(guò)半數(shù)據(jù)科學(xué)家有碩士學(xué)位。

教育和雇傭情況

• 大多數(shù)數(shù)據(jù)科學(xué)家在正式教育之外繼續(xù)學(xué)習(xí)；
• 大多數(shù)數(shù)據(jù)科學(xué)家碼齡不超過(guò)十年；
• 過(guò)半數(shù)據(jù)科學(xué)家具備三年以下的機(jī)器學(xué)習(xí)經(jīng)驗(yàn)；
• 美國(guó)的數(shù)據(jù)科學(xué)家比其他國(guó)家的同行掙更多錢。

技術(shù)

• 與 2019 年的調(diào)查結(jié)果相比，2020 年更多的數(shù)據(jù)科學(xué)家使用云計(jì)算；
• scikit-learn 是 2020 年最流行的機(jī)器學(xué)習(xí)工具，超過(guò)五分之四的數(shù)據(jù)科學(xué)家使用 scikit-learn；
• Tableau 和 PowerBI 是最流行的商業(yè)智能工具。

下面，我們來(lái)看每個(gè)層面的具體細(xì)節(jié)。

數(shù)據(jù)科學(xué)家群體畫像

性別

數(shù)據(jù)科學(xué)領(lǐng)域仍然存在較大的性別差距，82% 為男性，相比去年的 84%，略有下降。

年齡

與去年的調(diào)查結(jié)果類似，數(shù)據(jù)科學(xué)家多為 30 歲左右，約 60% 的受訪者年齡在 22-34 歲，只有 1/5 的職業(yè)數(shù)據(jù)科學(xué)家是 40 歲及以上。

國(guó)家

在本次報(bào)告中，印度開發(fā)者所占的比例最多（21.8%），美國(guó)緊隨其后（14.5%），再往下是巴西和英國(guó)。

教育

高等教育

數(shù)據(jù)科學(xué)家大多有碩士學(xué)位，68% 獲得了碩士或博士文憑，不到 5% 的學(xué)歷在高中及以下。

終生學(xué)習(xí)

數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)是快速變化的領(lǐng)域，90% 以上的 Kaggle 數(shù)據(jù)科學(xué)家保持終生學(xué)習(xí)的習(xí)慣。其中約 30% 接受的是傳統(tǒng)高等教育課程，更多是通過(guò)線上材料學(xué)習(xí)。線上學(xué)習(xí)渠道中最常用的媒介是 Coursera、Udemy 和 Kaggle Learn。受訪者中很多數(shù)據(jù)科學(xué)家選擇多個(gè)學(xué)習(xí)渠道，平均數(shù)量為 2.8。

數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)經(jīng)驗(yàn)

編程經(jīng)驗(yàn)

大多數(shù) Kaggle 數(shù)據(jù)科學(xué)家都有編程經(jīng)驗(yàn)。有 20 年以上編程經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家僅有大約 8%，去年才開始編程的數(shù)據(jù)科學(xué)家占比約 9%。只有不到 2% 表示自己從未寫過(guò)代碼。

與全球受訪者相比，美國(guó)數(shù)據(jù)科學(xué)家的編程經(jīng)驗(yàn)要多得多。在美國(guó)，編程經(jīng)驗(yàn)超過(guò) 10 年的占比 27%，而全球范圍內(nèi)這一比例僅為 22%。

機(jī)器學(xué)習(xí)經(jīng)驗(yàn)

大多數(shù) Kaggle 數(shù)據(jù)科學(xué)家都是機(jī)器學(xué)習(xí)領(lǐng)域的新手。約 55% 的數(shù)據(jù)科學(xué)家機(jī)器學(xué)習(xí)經(jīng)驗(yàn)不到三年，具備十年及以上機(jī)器學(xué)習(xí)經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家占比不到 6%。

薪資水平

調(diào)查結(jié)果顯示，在國(guó)家 / 地區(qū)的最常見工資中，美國(guó)公司可能支付的金額更高，德國(guó)和日本緊隨其后。地區(qū)差別是存在的，比如來(lái)自印度的受訪群體 90% 表示年收入不足 5 萬(wàn)美元，美國(guó)公司最有可能支付六位數(shù)的薪水。

技術(shù)

交互開發(fā)環(huán)境

基于 Jupyter 的 IDE 仍然是數(shù)據(jù)科學(xué)家的首選工具，大約 75% 的 Kaggle 數(shù)據(jù)科學(xué)家都在用它，但與去年的 83% 相比有所下降。VS Code 位居第二，僅占約 33%。這是它與 Visual Studio 分離的第一年，兩者今年合計(jì)占比超過(guò) 43%，而 2019 年不足 30%。

方法 & 算法

數(shù)據(jù)科學(xué)家最常用的算法是線性回歸和 logistic 回歸，緊隨其后是決策樹和隨機(jī)森林。在更加復(fù)雜的方法中，梯度提升和卷積神經(jīng)網(wǎng)絡(luò)是最受歡迎的方法。

基于 Python 的工具仍然在機(jī)器學(xué)習(xí)框架這一項(xiàng)上占據(jù)主導(dǎo)，從統(tǒng)計(jì)結(jié)果可以看出，scikit-learn 適用于大部分項(xiàng)目，82.8% 的數(shù)據(jù)科學(xué)家都在使用它。各有 50% 左右的數(shù)據(jù)科學(xué)家使用過(guò) TensorFlow 和 Keras，尤其是用于深度學(xué)習(xí)項(xiàng)目之中。

梯度提升庫(kù) xgboost 排名第四，使用率和 2019 年相似。排名第五的 PyTorch 從 2019 年的 26% 左右上升到了 30% 以上。在今年的調(diào)查中，最受歡迎的工具是基于 R 的 Tidymodels，占比達(dá)到 7% 以上。

企業(yè)云計(jì)算

這個(gè)領(lǐng)域有三個(gè)主要成員（不難猜），它們是 AWS、谷歌云平臺(tái)、微軟 Azure。值得注意的是，越來(lái)越多的數(shù)據(jù)科學(xué)家開始采用全部上云的方式。在 2019 年的調(diào)查中，大約 25% 的人沒有使用云計(jì)算，但在 2020 年，這一比例下降到了 17%。

在云服務(wù)用戶中，如果問到他們使用的特定產(chǎn)品，最常見的答案是計(jì)算云服務(wù)器，其次是無(wú)服務(wù)器技術(shù)，約有五分之一的人未提到云產(chǎn)品。

在使用 AWS 等云服務(wù)的用戶中，有一半以上表示自己沒有使用云上的機(jī)器學(xué)習(xí)工具，而使用的群體中，Amazon SageMaker 是最受歡迎的選項(xiàng)，其次是 Google Cloud AI/ML。

企業(yè)大數(shù)據(jù)

在數(shù)據(jù)庫(kù)方面，數(shù)據(jù)科學(xué)家并沒有明顯的偏好。最常被提及的是 MySQL（35.6%），其次是 PostgreSQL (28.86%) 和 SQL Server (24.93%)。

報(bào)告鏈接：https://www.kaggle.com/c/kaggle-survey-2020