المهارات المطلوبة التي تحتاجها لتصبح عالم بيانات

تعليم

في حين أن هناك استثناءات ملحوظة ، فإن علماء البيانات عادةً ما يكونون متعلمين تعليماً عالياً ، حيث حصل 88٪ على الأقل على درجة الماجستير و 46٪ حاصلون على درجة الدكتوراه. في حين أن هناك استثناءات ملحوظة ، عادة ما تكون هناك حاجة إلى خلفية تعليمية قوية لتطوير عمق المعرفة المطلوب ليكون عالم بيانات.

مطلوب درجة البكالوريوس في علوم الكمبيوتر أو العلوم الاجتماعية أو العلوم الفيزيائية أو الإحصاء للعمل كعالم بيانات. تعتبر الرياضيات والإحصاء (32٪) أكثر تخصصات الدراسة شيوعًا ، تليها علوم الكمبيوتر (19٪) والهندسة (16٪). ستزودك أي من هذه الدرجات بالقدرات اللازمة لمعالجة وتقييم كميات كبيرة من البيانات.

لم تنته بعد من برنامج الشهادة الخاص بك. الحقيقة هي أن معظم علماء البيانات حاصلون على ماجستير أو دكتوراه. والمشاركة أيضًا في التدريب عبر الإنترنت لتعلم خبرة معينة ، مثل Hadoop أو استعلام البيانات الضخمة. نتيجة لذلك ، يمكنك متابعة برنامج درجة الماجستير في علوم البيانات أو الرياضيات أو علم الفلك أو أي تخصص آخر ذي صلة. سوف تكون قادرًا على الانتقال بسهولة إلى علم البيانات باستخدام القدرات التي حصلت عليها خلال برنامج الشهادة.

بصرف النظر عن التعلم في الفصل الدراسي ، يمكنك وضع ما تعلمته في الفصل موضع التنفيذ عن طريق إنشاء تطبيق أو كتابة مدونة أو البحث في تحليل البيانات لمعرفة المزيد.

برمجة R

فهم متعمق لواحدة على الأقل من هذه الأدوات التحليلية ، مع تفضيل R لعلوم البيانات. R هي لغة برمجة تم إنشاؤها مع وضع علم البيانات في الاعتبار. يمكنك استخدام R لحل أي مشكلة تواجهك في علم البيانات. في الواقع ، يستخدم 43٪ من علماء البيانات R للتعامل مع التحديات الإحصائية. من ناحية أخرى ، لدى R منحنى تعليمي حاد.

التعلم يمثل تحديا ، خاصة إذا كنت تعرف بالفعل لغة الكمبيوتر. ومع ذلك ، هناك الكثير من الأدوات عبر الإنترنت لمساعدتك على البدء مع R ، بما في ذلك Simplilearn تدريب علوم البيانات مع لغة برمجة R. إنها أداة ممتازة لعلماء البيانات الناشئين.

المهارات الفنية: علوم الحاسب

ترميز بايثون

Python ، إلى جانب Java و Perl و C / C ++ ، هي لغة الترميز الأكثر انتشارًا التي أراها في أدوار علم البيانات. بالنسبة لعلماء البيانات ، تعد Python لغة برمجة ممتازة. هذا هو السبب ، وفقًا لاستطلاع O'Reilly ، يستخدم 40 ٪ من المستجيبين Python كلغة برمجتهم الأساسية.

يمكن استخدام Python عمليًا لجميع المراحل المطلوبة في عمليات علم البيانات نظرًا لتعدد استخداماتها. يقبل مجموعة متنوعة من أنواع البيانات ويسمح لك بسهولة استيراد جداول SQL إلى التعليمات البرمجية الخاصة بك. يمكنك إنشاء مجموعات بيانات باستخدامه ، ويمكنك العثور تقريبًا على أي شكل من مجموعات البيانات التي تحتاجها على Google.

منصة Hadoop

على الرغم من أنه ليس ضروريًا دائمًا ، إلا أنه يوصى به بشدة في العديد من الظروف. إنها أيضًا ميزة إضافية إذا كنت قد عملت مع Hive أو Pig من قبل. يمكن أن تساعد أيضًا معرفة كيفية استخدام الحلول السحابية مثل Amazon S3. وفقًا لـ CrowdFlower مسح لـ 3490 منصبًا في علوم البيانات على LinkedIn ، Apache Hadoop هي ثاني أهم خبرة لعالم البيانات ، مع تصنيف 49 بالمائة.

بصفتك عالم بيانات ، قد تجد نفسك في سيناريو يتجاوز فيه حجم البيانات لديك ذاكرة نظامك أو تحتاج إلى إرسال البيانات إلى خوادم أخرى ؛ هذا هو المكان الذي يأتي فيه Hadoop. يمكن استخدام Hadoop لإرسال البيانات بسرعة إلى أجزاء مختلفة من النظام. هذا ليس كل شيء.

هذا ليس كل شيء. استكشاف البيانات وترشيح البيانات وأخذ عينات البيانات وتلخيص البيانات كلها ممكنة مع Hadoop.

قاعدة بيانات SQL / الترميز

على الرغم من حقيقة أن NoSQL و Hadoop أصبحا جزءًا مهمًا من علم البيانات ، إلا أنه لا يزال من المتوقع أن يتمكن المرشح من تطوير وتنفيذ استعلامات SQL المعقدة. SQL (لغة الاستعلام المهيكلة) هي لغة برمجة يمكن استخدامها لأداء عمليات قاعدة البيانات مثل إضافة البيانات وحذفها واستخراجها. يمكن أن يساعد أيضًا في تنفيذ العمليات التحليلية وتحويل هياكل قواعد البيانات.

كعالم بيانات ، يجب أن تكون بطلاقة في SQL. هذا لأنه تم إنشاء SQL لمساعدتك في الوصول إلى البيانات والتواصل معها والعمل معها. عند استخدامه للاستعلام عن قاعدة بيانات ، فإنه يوفر لك المعلومات.

يحتوي على أوامر قصيرة يمكن أن توفر لك الوقت وتقليل مقدار الكود المطلوب لإجراء عمليات بحث معقدة. سيؤدي تعلم SQL إلى تحسين فهمك لقواعد البيانات العلائقية ومساعدتك على التقدم في حياتك المهنية كعالم بيانات.

اباتشي سبارك

سرعان ما أصبحت Apache Spark أداة البيانات الضخمة الأكثر استخدامًا على هذا الكوكب. إنه إطار عمل كبير لحوسبة البيانات يشبه Hadoop. الفرق الوحيد بين سبارك و Hadoop هو أن Spark أسرع. هذا يرجع إلى حقيقة أن Hadoop يقرأ ويكتب على القرص ، مما يؤدي إلى إبطائه ، بينما يقوم Spark بتخزين حساباته مؤقتًا في الذاكرة.

تم إنشاء Apache Spark بشكل أساسي لعلوم البيانات لتسريع تنفيذ الخوارزميات المعقدة. عند التعامل مع كمية كبيرة من البيانات ، فإنه يساعد في تشتيت معالجة البيانات وبالتالي يوفر الوقت. كما أنه يساعد علماء البيانات في التعامل مع أحجام البيانات الكبيرة غير المنظمة. يمكن استخدامه على جهاز واحد أو مجموعة من الآلات.

يسمح Apache Spark لعلماء البيانات بتجنب فقدان البيانات في علم البيانات. تكمن قوة Apache Spark في سرعتها ونظامها الأساسي ، مما يجعل مشاريع علوم البيانات سهلة الإكمال. يمكنك استخدام Apache Spark للقيام بكل شيء من جمع البيانات إلى توزيع الحوسبة.

التعلم الآلي والذكاء الاصطناعي

يفتقر عدد كبير من علماء البيانات إلى الخبرة في تقنيات وموضوعات التعلم الآلي. الشبكات العصبية ، التعلم المعزز ، التعلم العدائي ، وغيرها من التقنيات هي أمثلة على ذلك. إذا كنت تريد أن تميز نفسك عن علماء البيانات الآخرين ، فأنت بحاجة إلى أن تكون على دراية بأساليب التعلم الآلي بما في ذلك التعلم الآلي الخاضع للإشراف ، وأشجار القرار ، والانحدار اللوجستي ، من بين أمور أخرى. ستساعدك هذه القدرات في حل مجموعة متنوعة من تحديات علوم البيانات بناءً على توقعات النتائج التنظيمية الهامة.

اقرأ أيضًا: الذكاء الاصطناعي: نهج حديث.

يتطلب علم البيانات تطبيق تقنيات التعلم الآلي في مختلف المجالات. في أحد استطلاعات Kaggle ، تم اكتشاف أن نسبة صغيرة فقط من متخصصي البيانات بارعون في مهارات التعلم الآلي المتقدمة مثل التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف ، والسلاسل الزمنية ، ومعالجة اللغة الطبيعية ، والكشف الشاذ ، ورؤية الكمبيوتر ، ومحركات التوصية ، وتحليل البقاء على قيد الحياة والتعلم المعزز والتعلم المناوئ.

يعد العمل مع كميات هائلة من مجموعات البيانات أحد متطلبات علم البيانات. تعلم الآلة شيء يجب أن تكون على دراية به.

عرض مرئي للمعلومات

يولد عالم الشركات حجمًا كبيرًا من البيانات على أساس منتظم. يجب تحويل هذه المعلومات إلى طريقة يسهل تفسيرها. يصعب على الأشخاص فهم البيانات الأولية أكثر من الصور في شكل مخططات ورسوم بيانية. "الصورة تساوي ألف كلمة" كما يقول المصطلح.

بصفتك عالم بيانات ، ستحتاج إلى أن تكون قادرًا على تصور البيانات باستخدام أدوات مثل ggplot و d3.js و Matplotlib ، بالإضافة إلى Tableau. ستساعدك هذه الأدوات في تحويل نتائج المشروع المعقدة إلى تنسيق يسهل فهمه. تكمن المشكلة في أن العديد من الأشخاص ليسوا على دراية بالارتباط التسلسلي أو قيم p. يجب أن توضح بيانيا ما تعنيه هذه المصطلحات في نتائجك.

يمكن للمؤسسات العمل مباشرة مع البيانات بفضل تصور البيانات. يمكنهم استيعاب المعلومات التي ستمكنهم بسرعة من الاستفادة من إمكانيات العمل الجديدة والبقاء في صدارة المنافسة.

بيانات غير منظمة

تعد قدرة عالم البيانات على العمل مع البيانات غير المهيكلة أمرًا بالغ الأهمية. البيانات غير المهيكلة هي معلومات غير منظمة لا تتناسب مع جداول قاعدة البيانات. تعد مقاطع الفيديو ومقالات المدونة ومراجعات العملاء ومنشورات الشبكات الاجتماعية وموجز الفيديو والصوت أمثلة. إنها مجموعة من النصوص الطويلة. نظرًا لعدم تنظيمها ، يعد فرز هذا النوع من البيانات أمرًا صعبًا.

نظرًا لتعقيدها ، أشار معظم الأشخاص إلى البيانات غير المهيكلة باسم "التحليلات السوداء". يتيح لك العمل مع البيانات غير المنظمة اكتشاف الرؤى التي يمكن أن تساعدك في اتخاذ قرارات أفضل. يجب أن تكون قادرًا على تحليل ومعالجة البيانات غير المهيكلة من العديد من الأنظمة الأساسية كعالم بيانات.

المهارات غير الفنية

الفضول الفكري

"ليس لدي أي قدرات استثنائية. أنا مفتون فقط لأنني شغوف بذلك ". قال ألبرت أينشتاين ذات مرة ، "لا يوجد شيء اسمه فكرة جيدة."

ربما سمعت هذه العبارة كثيرًا مؤخرًا ، لا سيما فيما يتعلق بعلماء البيانات. في مدونة ضيف كتبها قبل بضعة أشهر ، يشرح فرانك لو ما يعنيه ذلك ويناقش "المواهب اللينة" المهمة الأخرى.

يوصف الفضول على أنه رغبة في معرفة المزيد عن شيء ما. نظرًا لأن علماء البيانات يقضون ما يقرب من 80 ٪ من وقتهم في الحصول على البيانات وإعدادها ، يجب أن تكون قادرًا على طرح أسئلة حولها كعالم بيانات. هذا يرجع إلى حقيقة أن موضوع علم البيانات يتطور بسرعة ، وسوف تحتاج إلى معرفة المزيد لمواكبة ذلك.

يجب عليك تحديث خبرتك من خلال قراءة الكتب ذات الصلة حول اتجاهات علوم البيانات ومراجعة المحتوى عبر الإنترنت. لا تخاف من الكم الهائل من المعلومات التي يتم تداولها على الإنترنت ؛ يجب أن تكون قادرًا على فهم كل شيء. الفضول هو إحدى القدرات التي ستحتاجها للنجاح كعالم بيانات. على سبيل المثال ، قد لا ترى أي فكرة في البيانات التي جمعتها في البداية. سيسمح لك Curiosity بتمشيط البيانات بحثًا عن إجابات ومعلومات جديدة.

ذكاء تجاري

لكي تكون عالم بيانات ، يجب أن يكون لديك وعي شامل بالصناعة التي تعمل فيها وأن تكون على دراية بمشاكل العمل التي تحاول مؤسستك حلها. فيما يتعلق بعلم البيانات ، فإن القدرة على اكتشاف المشكلات الحيوية لحلها بالنسبة للمؤسسة ، وكذلك تحديد الطرق الجديدة التي قد تستفيد بها الشركة من بياناتها ، أمر بالغ الأهمية.

للقيام بذلك ، يجب أن تفهم أولاً كيف يمكن أن تؤثر المشكلة التي تحلها على المنظمة. لهذا السبب يجب أن تفهم كيف تعمل الشركات من أجل تركيز جهودك بالطريقة المناسبة.

مهارات التواصل

تريد الشركات التي تبحث عن عالم بيانات مختص شخصًا يمكنه توصيل نتائجها الفنية إلى فريق غير تقني ، مثل أقسام التسويق أو المبيعات ، بطريقة واضحة وطلاقة. من أجل إدارة البيانات بشكل فعال ، يجب على عالم البيانات تمكين الشركة من اتخاذ القرارات من خلال تزويدهم برؤى كمية ، وكذلك معرفة متطلبات زملائهم غير التقنيين. يمكن العثور على مزيد من المعلومات حول قدرات الاتصال للخبراء الكميين في أحدث استطلاع سريع.

لا يجب عليك فقط التواصل بنفس لغة المنظمة ، ولكن يجب عليك أيضًا استخدام سرد البيانات.
كعالم بيانات ، يجب أن تعرف كيفية نسج سرد حول البيانات بحيث يسهل فهمها. على سبيل المثال ، لا يكون عرض جدول إحصائيات ناجحًا مثل نقل رؤى البيانات بطريقة سردية. سيساعدك سرد القصص في توصيل نتائجك بشكل فعال إلى رؤسائك.

انتبه إلى النتائج والقيم المضمنة في البيانات التي قمت بتحليلها عند التواصل. لا يهتم معظم أصحاب الأعمال بمعرفة ما اكتشفته ؛ بدلاً من ذلك ، يريدون معرفة كيف ستفيد شركتهم. تعلم كيفية التواصل بطريقة تركز على تقديم القيمة وإقامة علاقات طويلة الأمد.

العمل بروح الفريق الواحد

لا يمكن لعالم البيانات العمل بمفرده. إن العمل مع المديرين التنفيذيين للشركة لبناء الاستراتيجيات ، ومديري المنتجات والمصممين لإنتاج منتجات أفضل ، والمسوقين لإطلاق حملات تحويل أفضل ، ومطوري برامج العميل والخادم لإنشاء خطوط أنابيب البيانات وتحسين سير العمل هي كل الأشياء التي يتعين عليك القيام بها. سيتعين عليك التعاون مع الجميع في الشركة ، بما في ذلك المستهلكين.

بشكل أساسي ، ستعمل مع زملائك في الفريق لإنشاء حالات استخدام حتى تتمكن من فهم أهداف العمل والبيانات التي ستكون مطلوبة لمواجهة التحديات. ستحتاج إلى معرفة كيفية التعامل مع حالات الاستخدام بشكل صحيح ، والبيانات التي ستحتاجها لحل المشكلة ، وكيفية ترجمة النتائج وتقديمها بطريقة يمكن للجميع فهمها.

موارد

درجة متقدمة - لتلبية الحاجة الحالية ، يتم تطوير المزيد من درجات علوم البيانات ، ولكن هناك أيضًا العديد من برامج الرياضيات والإحصاء وعلوم الكمبيوتر المتاحة.

MOOCs - Coursera و Udacity و Codeacademy كلها أماكن ممتازة للبدء.

الشهادات - وضعت KDnuggets قائمة شاملة.

معسكرات التدريب - راجع مدونة الضيف هذه من علماء بيانات Datascope Analytics للحصول على معلومات إضافية حول كيفية مقارنة هذه الإستراتيجية ببرامج الدرجات العلمية أو MOOCs.

ينظم Kaggle - Kaggle تحديات علوم البيانات حيث يمكنك التدرب على بيانات العالم الواقعي الفوضوية وحل مشكلات الأعمال في العالم الحقيقي. يتم أخذ تصنيفات Kaggle على محمل الجد من قبل أصحاب العمل نظرًا لأنها تعتبر ذات صلة بالعمل العملي في المشروع.

مجموعات LinkedIn - للتواصل مع الأعضاء الآخرين في مجتمع علوم البيانات ، انضم إلى المجموعات ذات الصلة.

Data Science Central و KDnuggets - Data Science Central و KDnuggets هي موارد ممتازة لمواكبة اتجاهات صناعة علوم البيانات.

دراسة Burtch Works: رواتب علماء البيانات - إذا كنت مهتمًا بمعرفة المزيد عن أجور علماء البيانات الحاليين والتركيبة السكانية ، فقم بتنزيل بحث راتب عالم البيانات.

أنا متأكد من أنني فاتني شيئًا ما ، لذلك إذا كنت تعرف مهارة أو موردًا رئيسيًا من شأنه أن يكون مفيدًا لأي من الطامحين في علم البيانات ، فيرجى نشره في التعليقات أدناه!