原文：
www.kdnuggets.com/2019/04/top-data-science-machine-learning-methods-2018-2019.html
评论
在最新的 KDnuggets 调查中，读者被问到：
你在 2018/2019 年实际应用中使用了哪些数据科学 / 机器学习方法和算法？
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT 需求
基于 833 名投票者的结果显示，前 17 种方法与 2017 年的调查相同，尽管顺序稍有不同：
图 1: 数据科学和机器学习方法的使用情况，2018/2019
今年受访者使用的前 17 种方法（第 16 位为并列）为：
-
回归
-
决策树 / 规则
-
聚类
-
可视化
-
随机森林
-
统计 - 描述性
-
K-近邻
-
时间序列
-
集成方法
-
文本挖掘
-
PCA
-
提升方法
-
神经网络 - 深度学习
-
梯度提升机
-
异常 / 偏差检测
-
神经网络 - 卷积神经网络（CNNs）
-
支持向量机（SVM）
这反映了 2017 年调查的结果，显示前 10 种方法与 2016 年的调查结果相同（尽管顺序有所不同）。
平均受访者使用了 7.4 种方法/算法，这与 2017 年和 2016 年的结果一致。
下面是今年调查中前几种方法和算法与 2017 年份额的比较。
图 2: 数据科学和机器学习方法的使用情况，2018/9 对比 2017
今年最显著的增加是在各种神经网络技术的使用上，包括 GANs、RNNs、CNNs、强化学习和原生深度神经网络。遗传算法和进化算法也有所增加，还有“其他方法”。
与 2017 年相比，按 (share2019 / share2017 - 1) 计算，具有最大相对增长的方法和算法有：
-
生成对抗网络（GAN），增长 101.8%，从 2017 年的 2.3% 增长到 2018/9 年的 4.7%
-
神经网络 - 循环神经网络（RNN），上升 56.5%，从 10.5% 上升到 16.5%
-
强化学习，增长 56.1%，从 4.2%提升至 6.6%
-
神经网络 - 卷积，增长 38.8%，从 15.8%提升至 22%
-
其他方法，增长 27.1%，从 6.1%提升至 7.8%
-
遗传/进化算法与方法，增长 25.7%，从 4.8%提升至 6.0%
-
神经网络 - 深度学习，增长 23.5%，从 20.6%提升至 25%
今年的最大下降包括：
-
奇异值分解（SVD），下降 25.4%，从 2017 年的 8.1%降至 2018/9 年的 6.0%
-
支持向量机（SVM），下降 23.3%，从 28.7%降至 22%
-
因子分析，下降 21.2%，从 11.7%降至 9.3%
-
关联规则，下降 20.6%，从 15.4%降至 12.3%
-
主成分分析（PCA），下降 19.3%，从 34.7%降至 28%
-
生存分析，下降 19.1%，从 8.5%降至 6.9%
按隶属参与情况：
-
行业/自雇，64.9%（541 份回应），平均使用 7.8 种工具
-
学生，15.8%（132 份回应），平均使用 6.1 种工具
-
学术界，9.2%（77 份回应），平均使用 7.9 种工具
-
政府/非营利组织，7.3%（61 份回应），平均使用 5.8 种工具
注意，只有 22 名受访者（<3%）选择了“其他”，平均使用 7.5 种工具。
最终，区域参与情况如下：
欧洲，35.4%
美国/加拿大，30.1%
亚洲，18.8%
拉丁美洲，6.1%
澳大利亚/新西兰，2%
非洲/中东，4.2%
其他，3.2%
图 3: 区域参与，2018/2019
感谢所有参与调查的人员，使得这一趋势汇编和分析成为可能。
这是过去调查的结果：
-
分析、数据科学、机器学习应用的趋势与分析（2017）
-
2016 年分析、数据挖掘、数据科学的应用
-
2015 年分析、数据挖掘、数据科学的应用
-
2014 年分析、数据挖掘、数据科学的应用
-
2012 年您将分析/数据挖掘应用于哪里？
-
应用分析/数据挖掘的行业/领域，2011 年。
-
分析/数据挖掘的行业/领域，2010 年。
-
数据挖掘应用，2009 年。
-
数据挖掘应用，2008 年。
-
按行业的数据挖掘应用，2007 年。
-
您应用数据挖掘的行业/领域，2006 年。