2021 年最佳資料科學工具和軟體 - datamation

Alteryx
這個廣泛使用的平臺在單一的低程式碼/無程式碼環境中結合了強大的分析、資料科學和流程自動化。它結合了機器學習和其他人工智慧方法，透過視覺化儀表板、檔案和應用程式提供地理空間分析、規範分析和眾多其他結果。 

優點

• 為商業領袖提供強大但易於使用的功能。
• 與來自 Microsoft、AWS、Snowflake、Tableau 和 Salesforce 的 80 多個資料來源和輸出整合。
• 提供 300 多個無程式碼構建塊，可促進資料模型和自動化。
• 高度評價的客戶支援。
• 龐大而強大的使用者社群。

缺點

• 低程式碼環境意味著它可能無法針對複雜的資料科學專案進行定製。
• 昂貴的。
• 一些使用者抱怨工作流程的複雜性。
• 該平臺不完全支援移動使用，包括 Android 和 iOS。 
• 桌面版本對系統提出了很高的要求。

Dataiku DSS
該解決方案為資料科學和機器學習提供了一個平臺。它特別適合由資料科學家和業務使用者組成的多學科團隊。Dataiku 有云/SaaS、Windows 和 Mac 桌面版本。它結合了強大的資料視覺化、深度學習、機器學習、演算法庫、自然語言處理和預測建模/分析功能。  

優點

• 強大的無程式碼工具非常適合非資料科學家。
• 在 Gartner 的 2021 年資料科學和機器學習平臺魔力象限中被評為“領導者”。
• 使用者對介面和協作功能的評價很高。
• 對超出模型準確性的業務指標的廣泛而創新的支援。

缺點

• 過度依賴擴充套件和外掛會增加開銷和複雜性。
• 沒有完整企業功能的版本定價高且功能有限。
• 對移動裝置的支援有限。
• 一些使用者抱怨它很難配置。

H2O.Ai
該供應商提供了一個端到端的資料科學平臺，旨在實現人工智慧的民主化。H20 AI 混合雲支援適用於各種行業和用例的“可解釋”模型。開源預測分析平臺專為資料科學家和公民資料科學家而設計。 

優點

• 直觀的介面。 
• 強大的預測分析能力和強大的資料視覺化功能。
• 強大的自動化。包括 200 多個資料聯結器和 180 個開源 Python 指令碼。
• 透過 Kubernetes 部署的開放平臺，可以在任何地方使用模型，包括虛擬機器、Snowflake 和 IoT 裝置。
• 在 Gartner 2021 年資料科學和機器學習平臺魔力象限中被評為“有遠見者”。

缺點

• 資料訪問和資料準備功能不如某些競爭對手強大。
• 一些使用者抱怨缺乏文件和支援資源。
• 從頭開始構建模型很困難。
• 調整機器學習演算法可能具有挑戰性。

IBM Watson Studio
IBM 的重點是透過以 AI 為中心的方法構建、管理和部署資料模型。基於雲的平臺專為資料科學家、開發人員和分析師而設計。它基於 PyTorch、TensorFlow 和 scikit-learn 等開源技術構建，並連線到 IBM 的眾多基於程式碼的視覺化資料科學工具。

優點

• 適合廣泛的使用者使用，從資料科學家到業務分析師。
• 靈活的模組化設計。
• 強大的資料探索和視覺化功能。
• 專注於負責任的人工智慧。
• 在 Gartner 的 2021 年資料科學和機器學習平臺魔力象限中被評為“領導者”。

缺點

• 一些使用者抱怨該程式有時載入緩慢。
• 使用者介面和導航可能會令人困惑，尤其是對於非技術人員而言。
• 昂貴的。
• 關於檔案和支援材料不足的投訴。

KNIME 分析平臺
大資料和預測分析是供應商資料科學平臺的核心。基於雲的解決方案專為創作資料科學機器學習工作流和專案而設計。開源平臺包括 4,000 多個節點，用於連線各種型別的資料來源，並將它們轉換為可操作的模型。

優點

• 支援廣泛的 DSML 任務並構建強大的工作流。 
• 直觀的介面。
• 強大的資料連線和攝取功能，包括對大多數主要檔案型別和資料來源的支援。
• 在 Gartner 的 2021 年資料科學和機器學習平臺魔力象限中被評為“有遠見者”。

缺點

• 資料視覺化功能不像許多競爭對手那樣強大和發達。
• 使用者報告有時學習曲線很陡峭。
• 對企業部署的有限客戶支援。
• 一些使用者抱怨缺乏靈活性。

MathWorks MATLAB
這個來自 MathWorks 的資料科學平臺旨在大規模開發、整合和部署高階 AI 和 ML 模型。它用作演算法開發和資料分析的程式設計環境。它包括強大的資料視覺化、建模和模擬功能，以及用於構建應用程式和其他資源的工具。 

優點

• 強大的深度學習、機器學習和預測性維護能力——包括機器人和訊號處理等領域。
• 高度靈活的框架，支援從資料到雲和邊緣的分散式環境。
• 可驗證且可靠的機器學習，供需要超安全部署的組織使用。
• 在 Gartner 的 2021 年資料科學和機器學習平臺魔力象限中被評為“領導者”。

缺點

• 對於大多數公民資料科學家來說太複雜了。最適合工程師和專門的資料科學家。 
• 沒有云或 SaaS 版本。僅適用於 Windows、Mac 和 Linux 的桌面版本。
• 供應商不提供免費試用和高階諮詢或整合服務。
• 可以在大型資料集上緩慢執行。 

微軟的 Azure 機器學習
端到端資料科學和分析平臺為開發、訓練和部署資料模型提供了一個低程式碼和無程式碼框架。它適用於經典模型以及機器學習和深度學習。它與許多其他 Azure 雲元件和服務以及外部資料來源整合。 

優點

• 為資料科學提供廣泛而強大的功能、工具和元件組合。
• 適合資料科學家和商業使用者使用。 
• 為專家資料科學家提供靈活的筆記本和 SDK 選項。
• 提供具有強大合作伙伴網路的開放框架，包括連線到 Azure 的其他分析提供商。
• 在 Gartner 的 2021 年資料科學和機器學習平臺魔力象限中被評為“有遠見者”。

缺點

• 需要對 Azure 及其相關的模組和服務生態系統有深入的瞭解。
• 對於需要混合和多雲資料科學環境的組織來說可能難以使用。
• 使用者對易用性的評價低於其他資料科學解決方案。
• 對第三方工具和程式設計的支援有限。
• 大型資料集有時執行緩慢。

RapidMiner Studio
該供應商的平臺在視覺化工作流設計框架內為資料科學家和業務使用者提供了廣泛而豐富的工具。它包括 1,500 多種本機演算法、資料準備和資料科學功能，並支援第三方庫。RapidMiner Studio 還包括對筆記本和 Python 和 R 等程式語言的強大支援。  

優點

• 透過點選式介面連線幾乎任何資料來源。
• 適應自動資料庫內處理以檢索資料，而無需編寫複雜的 SQL。
• 強大的資料視覺化和探索能力。
• 協作功能擴充套件到多個角色和角色。
• 強大的安全功能，包括單點登入。
• 在 Forrester Wave：2020 年多模態預測分析和機器學習解決方案中被評為“領導者”。

缺點

• 模型釋出靈活性在使用者中獲得相對較低的評分。
• 一些使用者抱怨難以使用且不靈活的介面。
• 免費版提供有限的特性和功能。其他版本價格不菲。
• 使用者抱怨過時的視覺輸出，包括圖表、圖形、動畫和影片。

SAS 視覺化分析
該供應商是資料科學領域的長期領導者，提供了一個重點關注分析視覺化、複合 AI、MLOps 和決策智慧的企業平臺。它幾乎支援所有主要資料來源和型別，具有帶模板的可自定義儀表板，幷包括具有多種預構建視覺化格式的強大發布功能。 

優點

• 特別擅長預測分析、模式識別和機器學習。
• SAS 已與 Microsoft 建立合作伙伴關係，以支援與 Azure 和 Machine-Learning Studio 的緊密整合。
• 專用的 iOS 和 Android 應用程式以及用於行動網路訪問的響應式設計。 
• 出色的可擴充套件性，支援大量使用者。
• 在 Gartner 的 2021 年資料科學和機器學習平臺魔力象限中被評為“領導者”。

缺點

• 安裝和配置可能很困難。
• 在易用性方面落後於其他解決方案。
• 有限的開源支援。
• 一些使用者抱怨使用者介面有些單調和過時，並且該平臺難以學習。
• 昂貴的。

Tibco Spotfire
資料視覺化平臺透過 NLQ 驅動的搜尋、人工智慧驅動的推薦和直接操作產生洞察力。它包括沉浸式儀表板和對預測分析、地理定位分析和流分析的高階分析支援。基於雲的平臺專為專門的資料科學家和其他使用者而設計。

優點

• 包括到主要資料來源的 60 多個本機聯結器，以及透過豐富 API 的自定義連線。
• 提供 AI 驅動的推薦和自然語言搜尋，為非技術使用者簡化工作。
• 在多個角色和使用者組之間實現強大的協作。
• 專用的 iOS 和 Android 應用程式，以及針對移動瀏覽器的響應式設計。

缺點

• 公民資料科學家的功能和支援落後於其他供應商。
• 一些使用者抱怨該平臺需要一個更加使用者友好的介面。
• 有限的自定義和指令碼功能會使更高階的建模和資料視覺化變得困難。
• 一些使用者抱怨資料載入和系統效能可能很慢。