En la medida en que algunos académicos hayan mostrado alguna preferencia por Python, sugiero que haya sido impulsado por un deseo de lograr que una audiencia más amplia de estudiantes alcance un nivel razonable de competencia en programación en un tiempo razonablemente corto.
Python es, famoso, fácil de aprender. La curva de aprendizaje es muy superficial desde el principio y un estudiante razonablemente competente puede recoger los rudimentos en un solo término y adquirir habilidades prácticas con un lenguaje que puede usar para el trabajo en el mundo real.
Esto es particularmente cierto para aquellos que estudian un tema técnico distinto de la informática y la programación. Puede ser que los estudiantes serios de CS estén mejor atendidos al estudiar Lisp y que los programadores vocacionales puedan ser mejores con C o Java.
- ¿Puedo ser profesor / ingresar a la enseñanza después de un MPH? Soy un graduado de MBBS.
- En Estados Unidos, ¿por qué los judíos enfrentaron discriminación en la academia durante la primera mitad del siglo pasado?
- ¿Qué universidades apuntan a la disolución de los límites disciplinarios?
- Como estudiante universitario que investiga con un profesor de matemáticas / física durante el año escolar, ¿cuántas horas debo esperar dedicar a la investigación a la semana?
- ¿Consideran las personas que los seminarios académicos son más gratificantes o menos gratificantes cuando solo comprenden el 10% de un seminario, en comparación con el 60-70%?
Pero aquellos que se centran en el análisis de datos y diversos temas STEM con una gran dependencia de las estadísticas, y aquellos que centran sus estudios en redes o seguridad informática o administración de sistemas … para muchos, Python es la mejor opción (especialmente, en el caso de aquellos que realizan análisis, Python con Jupyter y todo el ecosistema NumPy / SciPy).
Para conocer algunos detalles, intente leer estos: Jupyter Notebook Gallery
