TIOBE 7月排行榜,R語言創造新紀錄

源 / 開源中國 文 / xplanet

TIOBE 已公佈 2020 年 7 月的編程語言排行榜。

TIOBE 7月排行榜,R語言創造新紀錄

在本期榜單中,各類應用於數據科學的語言是一大亮點。尤其是 R 語言,本月上升至第 8 位,創造了新的記錄,TIOBE 稱這是 R 語言“史無前例的高光時刻”。Python 不用說,一直在統計語言中拔得頭籌,而 R 在 Python 如此強勁的勢頭下,還能保持流行度的上升。

對此,TIOBE CEO Paul Jansen 認為,近來有兩大趨勢起著關鍵作用:1)商業統計語言和軟件包(如 SAS、Stata 和 SPSS)的時代已經結束,大學和研究機構採用 Python 和 R 進行統計分析,2)與 COVID-19 相關的研究,需要進行大量統計和數據挖掘。於是,易於學習和使用的統計編程語言開始流行了起來。

TIOBE 7 月 TOP 20 編程語言

TIOBE 7月排行榜,R語言創造新紀錄

榜單前十位沒有大的變化,C 語言連續第三個月蟬聯第一,Java 和 Python 仍緊隨其後。除了已提到過的 R 語言和 PHP 位置對調,Swift 和 SQL 也進行了互換,Swift 成功進入前十。

上個月 Rust 語言首次進入榜單前二十,此次由 20 名上升至第 18 位。排在它前面的是穩定保持著每月前進一位節奏的少兒編程語言 Scratch。

目前處在 top 20 危險邊緣的是排名下降的 PL/SQL 和 Classic Visual Basic 語言。上月掉出前 20 的 Objective-C 還在下掉,本月排名 23。Delphi/Object Pascal 直接從 22 名變成第 30 名。

另外值得關注的還有:同樣為統計語言的 SAS,進步飛速,排在第 21 位;Kotlin 從 30 到 27 名,也略有上升。

TOP 10 編程語言 TIOBE 指數走勢(2002-2020)

TIOBE 7月排行榜,R語言創造新紀錄

第 21-50 名的編程語言排行

TIOBE 7月排行榜,R語言創造新紀錄

第 51-100 名如下,由於它們之間的數值差異較小,僅以文本形式列出(按字母排序):

ABC, ActionScript, Arc, ATLAS, Awk, Bash, BlitzMax, Bourne shell, cg, CL (OS/400), Clojure, CoffeeScript, Common Lisp, Crystal, cT, Elixir, Emacs Lisp, Euphoria, F#, Factor, Forth, Hack, Icon, IDL, Inform, Io, Korn shell, LabVIEW, Ladder Logic, Limbo, Lingo, LiveCode, Maple, Mercury, ML, MQL4, OpenCL, PL/I, Pure Data, Raku, Red, Ring, Smalltalk, SPARK, SPSS, Tcl, Vala/Genie, Verilog, VHDL, Whitespace

TIOBE 編程社區指數(The TIOBE Programming Community index)是編程語言流行度的指標,該榜單每月更新一次,指數基於全球技術工程師、課程和第三方供應商的數量。包括流行的搜索引擎,如谷歌、必應、雅虎、維基百科、亞馬遜、YouTube 和百度都用於指數計算。

值得注意的是,TIOBE 指數並不代表語言的好壞,開發者可以使用該榜單檢查自身的編程技能是否需要更新,或者在開始構建新軟件時對某一語言做出選擇。

-End-

TIOBE 7月排行榜,R語言創造新紀錄

推薦閱讀

TIOBE 7月排行榜,R語言創造新紀錄

作者:程顯毅 施佺 編著

關鍵詞:人工智能 深度學習 R語言

適合人群:對人工智能、機器學習感興趣的讀者

近年來,深度學習可謂是機器學習方向的明星概念,不同的深度學習模型分別在圖像處理與自然語言處理等任務中取得了前所未有的好成績。

在許多場合都有這樣的需求“如何對感興趣的領域快速理解和使用深度學習技術?”答案涉及複雜的數學、編程語言(如C、C++和Java)。但隨著R的興起,現在使用深度學習技術比以往更容易。因為R易學易用,不要求很紮實的編程基礎,它被廣泛地應用於機器學習實踐和教學中。即使對R語言不是很瞭解的用戶也可以通過一些包來搭建深度學習網絡。

全書11章,分為原理篇(第1~8章)和應用篇(第9~11章)。原理篇按照深度學習的發展過程,主要討論了淺層神經網絡、深度神經網絡、卷積神經網絡、遞歸神經網絡、自編碼網絡、受限玻耳茲曼機和深度置信網。應用篇討論R環境部署深度學習環境的一些策略,包括:MXNetR、H2O和其他深度學習R包以及一些典型的應用。


分享到:


相關文章: