1、Python语言
Python往往在大数据处理框架中得到支持，但与此同时，它往往又不是“一等公民”。比如说，Spark中的新功能几乎总是出现在Scala/Java绑定的首位，可能需要用PySpark编写面向那些更新版的几个次要版本(对Spark Streaming/MLLib方面的开发工具而言尤为如此)。
与R相反，Python是一种传统的面向对象语言，所以大多数开发人员用起来会相当得心应手，而初次接触R或Scala会让人心生畏惧。一个小问题就是你的代码中需要留出正确的空白处。这将人员分成两大阵营，一派觉得“这非常有助于确保可读性”，另一派则认为，我们应该不需要就因为一行代码有个字符不在适当的位置，就要迫使解释器让程序运行起来。
2、R语言
R语言有着简单而明显的吸引力。使用R语言，只需要短短的几行代码，你就可以在复杂的数据集中筛选，通过先进的建模函数处理数据，以及创建平整的图形来代表数字。它被比喻为是Excel的一个极度活跃版本。
R语言最伟大的资本是已围绕它开发的充满活力的生态系统：R语言社区总是在不断地添加新的软件包和功能到它已经相当丰富的功能集中。据估计，超过200万的人使用R语言，并且最近的一次投票表明，R语言是迄今为止在科学数据中最流行的语言，被61%的受访者使用(其次是Python，39%)。
3、JAVA
Java，以及基于Java的框架，被发现俨然成为了硅谷最大的那些高科技公司的骨骼支架。 “如果你去看Twitter，LinkedIn和Facebook，那么你会发现，Java是它们所有数据工程基础设施的基础语言，”Driscoll说。
TIOBE 官方最新发布了9月的编程语言排行榜单，而本月也是 TIOBE 榜单成立20周年，一起来看看这个月榜单中有哪些最新变化吧！C、Java、Python 争夺第一
2001年TIOBE 排行版仅作为个人项目首次发布，当时榜单前三甲为 Java、C 和 C++。
神奇的是，即便20年过去了，这个排位也并没有发生大洗牌——9月 TIOBE 排行榜前三名为 C、Java 和 Python，C++ 位列第四。
虽然与前两个月相比，Python 的排名从第2变为第3，但本月榜单的前三名相差甚小：第一名的 C 与第三名的Python仅相差0.67%。
这前所未有的微小差距彰显了 C、Java 与 Python 之间争夺第一愈发激烈的战况。
而哪种编程语言将最终赢得这场战争?
考虑到 Python 近年来在蓬勃发展的数据挖掘和人工智能领域的市场领导地位，TIOBE 官方预测:继 C 和 Java 之后，Python 很大可能将成为第三个登顶 TIOBE 榜单的编程语言。
除了前三甲之间的激烈竞争，相比8月，本月 C++ 涨幅超过 0.5%，市场占比也在向前三名靠拢。除此之外，TOP20中还有一些值得关注的变化:
与8月榜单相比，Go 语言从第20名上升到第13 名
R 语言下滑4个名次，降为第12名
自4月起冲进 TOP20的上古编程语言 Fortran 上升到第14名。
其他编程语言排名，下面列出了完整的21-50名。
Top10编程语言 TIOBE 指数走势（2002-2020）
历史排名（1986-2021）
以下排名位次取决于12个月的平均值。
编程语言“名人榜”（2003-2020）
【说明】:
TIOBE 编程语言社区排行榜是编程语言流行趋势的一个指标，每月更新，这份排行榜排名基于全球技术工程师、课程和第三方供应商的数量，其中包括了流行的搜索引擎以及技术社区，如 Google、百度、维基百科、CSDN、必应、Hao123等等。
请注意这个排行榜只是反映某个编程语言的热门程度，并不能说明一门编程语言好不好，或者一门语言所编写的代码数量多少。
这个排行榜可以用来考察你的编程技能是否与时俱进，也可以在开发新系统时作为一个语言选择依据。
详细榜单信息可参考 TIOBE 官网
各个大厂都用哪种编程语言
1、阿里巴巴
主要使用java语言。
2、百度
主要使用Python和PHP。
3、京东
主要使用Linux和Objective-C。
4、华为
主要使用C、Unix或Linux。
5、网易
主要使用C++语言
初学编程学哪种语言比较好
现在，随着技术不断扩展，单纯的会一种编程语言已经不能满足企业的需要，很多IT人都是身怀多种绝技；
但是好在，编程语言是相通的，比如你学会了C，再学C++或Java就相对容易很多，所以，初学编程，还是要选择一种注重基础的语言。
01 Java最流行
Java仍然是最流行的编程语言；
据TIOBE的数据显示，几十年来，Java比其他语言更常名列榜首。
许多知名公司使用Java来开发软件和应用程序，所以如果你会Java，绝对不必为找工作而苦恼。
Java受欢迎的主要原因是它拥有可移植性、可扩展性和庞大的用户社区。
02 经典的C语言
作为最古老的编程语言之一，C依然高居榜首，这归功于其可移植性以及微软、Oracle和苹果等科技巨头采用它。
它与几乎所有系统兼容，很适合操作系统和嵌入式系统。
由于运行时环境相对小巧，因此C是保持这种系统精简的完美选择。
强烈建议初学者学C，它实际上是编程语言的通用语言，已催生出了同样很受欢迎的衍生语言，比如C++和C#。
03 C++继续占主导地位
C++语言现在仍应用于从桌面Web应用程序到服务器基础设施的众多系统。
由于灵活性、高性能以及可用于多种环境，C ++依然很吃香。
以C++为业的工作通常需要开发面向性能密集型任务的桌面应用程序。掌握C++可以更深入地了解编程语言，帮助获得低级内存处理方面的技能。
04 Python继续上升
Python作为近几年人工智能、机器学习、大数据和机器人等一些最有前途的技术背后的主要语言，积累了庞大的粉丝群。
你会惊讶地发现学习Python很容易，这就是为什么许多经验丰富的开发人员选择Python作为第二或第三语言的原因。
《机器学习实用案例解析》（（美）DrewConwayJohnMylesWhite）电子书网盘下载免费在线阅读
链接: https://pan.baidu.com/s/1Tlmx4cyoX7iioA6X-rbj1Q
提取码: gh9a书名:机器学习实用案例解析
豆瓣评分:7.6
作者:（美）DrewConwayJohnMylesWhite
出版社: 机械工业出版社
副标题:实用案例解析
原作名: Machine Learning for Hackers
译者: 陈开江 / 刘逸哲 / 孟晓楠 / 罗森林 审校
出版年: 2013-4-1
页数: 320
内容简介
这本书为机器学习技术提供了一些非常棒的案例研究。它并不想成为一本关于机器学习的工具书或者理论书籍，它注重的是一个学习的过程，因而对于任何有一些编程背景和定量思维的人来说，它都是不错的选择。
——Max Shron OkCupid
机器学习是计算机科学和人工智能中非常重要的一个研究领域，近年来，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技术。本书比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，还讨论了一些有生命力的新理论、新方法。
全书案例既有分类问题，也有回归问题；既包含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市场指数，空间相似度：用投票记录对美国参议员聚类，推荐系统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概念清晰、表达准确，突出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。R语言非常适合用于机器学习的案例研究，因为它是一种用于数据分析的高水平、功能性脚本语言。
本书主要内容：
·开发一个朴素贝叶斯分类器，仅仅根据邮件的文本信息来判断这封邮件是否是垃圾邮件；
·使用线性回归来预测互联网排名前1000网站的PV；
·利用文本回归理解图书中词与词之间的关系；
·通过尝试破译一个简单的密码来学习优化技术；
·利用无监督学习构建股票市场指数，用于衡量整体市场行情的好坏；
·根据美国参议院的投票情况，从统计学的角度对美国参议员聚类；
·通过K近邻算法构建向用户推荐R语言包；
·利用Twitter数据来构建一个“你可能感兴趣的人”的推荐系统；
·模型比较：给你的问题找到最佳算法。
作者简介
【作者介绍】
Drew Conway 机器学习专家，拥有丰富的数据分析与处理工作经验。目前主要利用数学、统计学和计算机技术研究国际关系、冲突和恐怖主义等。他曾作为研究员在美国情报和国防部门供职数年。他拥有纽约大学政治系博士学位，曾为多种杂志撰写文章，是机器学习领域的著名学者。
John Myles White 机器学习专家，拥有丰富的数据分析与处理工作经验。目前主要从理论和实验的角度来研究人类如何做出决定，同时还是几个流行的R语言程序包的主要维护者，包括ProjectTemplate和log4r。他拥有普林斯顿大学哲学系博士学位，曾为多家技术杂志撰稿，发表过许多关于机器学习的论文，并在众多国际会议上发表演讲。
【译者介绍】
罗森林 博士，教授，博导。现任北京理工大学信息系统及安全对抗实验中心主任、专业责任教授。国防科技工业局科学技术委员会成员；《中国医学影像技术杂志》、《中国介入影像与治疗学》编委会委员；全国大学生信息安全技术专题邀请赛专家组副组长；中国人工智能学会智能信息安全专业委员会委员等。主要研究方向为信息安全、数据挖掘、媒体计算、中文信息处理等。负责或参加完成国家自然科学基金、国家科技支撑计划、863计划、国家242计划等省部级以上项目40余项。已发表学术论文90余篇，出版著作8部，出版译著1部，获授权专利3项。
陈开江 新浪微博搜索部研发工程师，曾独立负责微博内容反垃圾系统、微博精选内容挖掘算法、自助客服系统（包括自动回复、主动挖掘、舆情监测）等项目，目前主要从事社交挖掘、推荐算法研究、机器学习、自然语言处理相关工作，研究兴趣是社交网络的个性化推荐。
刘逸哲 阿里巴巴，CBU基础平台部搜索与推荐团队核心技术与query分析方向负责人，机器学习技术领域及圈子负责人。曾任中国雅虎相关性团队、自然语言处理团队算法工程师；AvePoint.inc开发工程师，从事企业级搜索引擎开发。研究兴趣是机器学习、自然语言处理及个性化推荐等算法在大规模数据上的应用。
孟晓楠 一淘广告技术，阿里非搜索广告算法负责人，负责用户行为分析、建模与细分，RTB竞价算法，展示广告CTR预估与SEM优化。曾工作于网易杭州研究院，参与过分布式全文检索系统和网易博客产品的数据挖掘算法开发。研究兴趣是计算广告技术、机器学习、大数据技术、信息检索等。
