Научные вычисления научным вычислениям рознь. Если говорить про анализ данных, то
есть большая четвёрка универсальных программ, есть куча мелких полезных специализированных программ, есть недо-программы. Python (в части набора библиотек по анализу данных) видимо входит в третью группу.
Как универсальная платформа, библиотеки python не дотягивают ни до R, ни до SAS, ни до Matlab. Если человек не работал в статистических программах, то он вряд ли поймёт минусы python, у него нет какого-то сценария, что должен делать уважающий себя статпакет с пол пинка.
По скорости обработки данных тоже есть вопрос. Если pandas относительно молодой, перспективный, то почему он медленнее того же data.table в R?
Неспособно участие в кэглах сделать аналитика данных. Если человек не понимает как совершенствовать методологию, не делает самоанализ, и с ним коуча нет, то будет как слепой котёнок, наступать на грабли, причём на разные. Или просто воспроизводить одни и те же ошибки.
есть большая четвёрка универсальных программ, есть куча мелких полезных специализированных программ, есть недо-программы. Python (в части набора библиотек по анализу данных) видимо входит в третью группу.
Как универсальная платформа, библиотеки python не дотягивают ни до R, ни до SAS, ни до Matlab. Если человек не работал в статистических программах, то он вряд ли поймёт минусы python, у него нет какого-то сценария, что должен делать уважающий себя статпакет с пол пинка.
По скорости обработки данных тоже есть вопрос. Если pandas относительно молодой, перспективный, то почему он медленнее того же data.table в R?
Я не преподаю deep learning. Мой тезис касается участия в кэглах и прочих забегах.
Или это слишком глубоко?
Что у TF есть на счёт тестирования модели? Постоценки?