Competenze richieste per diventare un Data Scientist

Formazione scolastica

Sebbene vi siano notevoli eccezioni, i data scientist sono in genere altamente istruiti, con l'88% che ha almeno un master e il 46% un dottorato di ricerca. Sebbene vi siano notevoli eccezioni, di solito è necessario un forte background educativo per sviluppare la profondità delle conoscenze necessarie per essere un data scientist.

Per lavorare come data scientist è necessaria una laurea in informatica, scienze sociali, scienze fisiche o statistica. Matematica e Statistica (32%) sono le discipline di studio più popolari, seguite da Informatica (19%) e Ingegneria (16%). Ognuno di questi gradi ti fornirà le capacità necessarie per elaborare e valutare grandi quantità di dati.

Non hai ancora terminato il tuo corso di laurea. La verità è che la maggior parte dei data scientist ha un master o un dottorato di ricerca. e partecipare anche a corsi di formazione online per apprendere una competenza specifica, come Hadoop o query sui Big Data. Di conseguenza, puoi seguire un corso di laurea magistrale in scienza dei dati, matematica, astronomia o qualsiasi altra disciplina correlata. Sarai in grado di trasferirti facilmente alla scienza dei dati utilizzando le abilità acquisite durante il tuo corso di laurea.

Oltre all'apprendimento in classe, puoi mettere in pratica ciò che hai imparato in classe creando un'app, scrivendo un blog o esaminando l'analisi dei dati per saperne di più.

Programmazione R

Comprensione approfondita di almeno uno di questi strumenti analitici, con R preferibile per la scienza dei dati. R è un linguaggio di programmazione creato pensando alla scienza dei dati. Puoi usare R per risolvere qualsiasi problema di data science che incontri. In effetti, R viene utilizzato dal 43% dei data scientist per gestire le sfide statistiche. R, d'altra parte, ha una curva di apprendimento ripida.

L'apprendimento è impegnativo, soprattutto se conosci già un linguaggio informatico. Tuttavia, ci sono molti strumenti online per aiutarti a iniziare con R, incluso Simplilearn Formazione sulla scienza dei dati con il linguaggio di programmazione R. È uno strumento eccellente per i data scientist in erba.

Competenze Tecniche: Informatica

Codifica Python

Python, insieme a Java, Perl e C/C++, è il linguaggio di codifica più diffuso che vedo nei ruoli di data science. Per i data scientist, Python è un eccellente linguaggio di programmazione. Questo è il motivo per cui, secondo un sondaggio O'Reilly, il 40% degli intervistati utilizza Python come linguaggio di programmazione principale.

Python può essere utilizzato praticamente per tutte le fasi richieste nelle operazioni di data science grazie alla sua versatilità. Accetta una varietà di tipi di dati e ti consente di importare facilmente tabelle SQL nel tuo codice. Puoi creare set di dati utilizzandolo e puoi trovare quasi tutte le forme di set di dati di cui hai bisogno su Google.

Piattaforma Hadoop

Sebbene non sia sempre necessario, è fortemente raccomandato in molte circostanze. È anche un vantaggio se hai già lavorato con Hive o Pig. Anche sapere come utilizzare soluzioni cloud come Amazon S3 può aiutare. Secondo un CrowdFlower sondaggio su 3490 posizioni LinkedIn nella scienza dei dati, Apache Hadoop è la seconda competenza più importante per un data scientist, con una valutazione del 49%.

Come data scientist, potresti trovarti in uno scenario in cui la quantità di dati che hai supera la memoria del tuo sistema o devi inviare dati ad altri server; è qui che entra in gioco Hadoop. Hadoop può essere utilizzato per inviare rapidamente dati a diverse parti di un sistema. Non è tutto, però.

Non è tutto, però. L'esplorazione dei dati, il filtraggio dei dati, il campionamento dei dati e il riepilogo dei dati sono tutti possibili con Hadoop.

Database/codifica SQL

Nonostante il fatto che NoSQL e Hadoop siano diventati parti importanti della scienza dei dati, si prevede comunque che un candidato possa sviluppare ed eseguire query SQL complicate. SQL (linguaggio di query strutturato) è un linguaggio di programmazione che può essere utilizzato per eseguire operazioni di database come l'aggiunta, l'eliminazione e l'estrazione di dati. Può anche aiutare nell'esecuzione di operazioni analitiche e nella trasformazione delle strutture di database.

Come data scientist, devi essere fluente in SQL. Questo perché SQL è stato creato per assisterti nell'accesso, nella comunicazione e nell'utilizzo dei dati. Quando lo usi per interrogare un database, ti fornisce informazioni.

Dispone di comandi brevi che possono farti risparmiare tempo e ridurre la quantità di codice richiesta per eseguire ricerche complesse. L'apprendimento di SQL migliorerà la tua comprensione dei database relazionali e ti aiuterà a far avanzare la tua carriera come scienziato dei dati.

Apache Scintilla

Apache Spark sta rapidamente diventando lo strumento per big data più utilizzato al mondo. È un framework di elaborazione dati di grandi dimensioni simile a Hadoop. L'unica differenza tra Spark e Hadoop è che Spark è più veloce. Ciò è dovuto al fatto che Hadoop legge e scrive su disco, rallentandolo, mentre Spark memorizza nella cache i suoi calcoli.

Apache Spark è stato creato principalmente per la scienza dei dati per accelerare l'esecuzione di algoritmi complessi. Quando si tratta di una grande quantità di dati, aiuta a disperdere l'elaborazione dei dati e quindi fa risparmiare tempo. Aiuta inoltre i data scientist a gestire volumi di dati di grandi dimensioni e non strutturati. Può essere utilizzato su una singola macchina o su un gruppo di macchine.

Apache Spark consente ai data scientist di evitare la perdita di dati nella scienza dei dati. Il punto di forza di Apache Spark è la sua velocità e piattaforma, che semplificano il completamento dei progetti di data science. Puoi utilizzare Apache Spark per fare qualsiasi cosa, dalla raccolta dei dati alla distribuzione dei computer.

Apprendimento automatico e intelligenza artificiale

Un vasto numero di data scientist non ha esperienza nelle tecniche e negli argomenti di machine learning. Ne sono un esempio le reti neurali, l'apprendimento per rinforzo, l'apprendimento contraddittorio e altre tecniche. Se vuoi distinguerti dagli altri data scientist, devi avere familiarità con le tecniche di apprendimento automatico, tra cui l'apprendimento automatico supervisionato, gli alberi decisionali e la regressione logistica, tra gli altri. Queste abilità ti aiuteranno a risolvere una serie di sfide di data science basate su importanti proiezioni di risultati organizzativi.

LEGGI ANCHE: Intelligenza artificiale: un approccio moderno.

La scienza dei dati richiede l'applicazione di tecniche di apprendimento automatico in vari campi. In uno dei sondaggi di Kaggle, è stato scoperto che solo una piccola percentuale di professionisti dei dati è competente in competenze avanzate di apprendimento automatico come apprendimento automatico supervisionato e non supervisionato, serie temporali, elaborazione del linguaggio naturale, rilevamento di valori anomali, visione artificiale, motori di raccomandazione, analisi di sopravvivenza , apprendimento per rinforzo e apprendimento contraddittorio.

Lavorare con grandi quantità di set di dati è un requisito della scienza dei dati. L'apprendimento automatico è qualcosa di cui dovresti essere consapevole.

Visualizzazione dati

Il mondo aziendale genera regolarmente un grande volume di dati. Queste informazioni devono essere convertite in un modo che sia semplice da interpretare. I dati grezzi sono più difficili da comprendere per le persone rispetto alle immagini sotto forma di grafici e grafici. "Un'immagine vale più di mille parole", come si suol dire.

In qualità di data scientist, dovrai essere in grado di visualizzare i dati utilizzando strumenti come ggplot, d3.js e Matplotlib, oltre a Tableau. Questi strumenti ti aiuteranno a convertire i risultati di progetti complessi in un formato di facile comprensione. Il problema è che molte persone non hanno familiarità con la correlazione seriale oi valori p. Devi dimostrare graficamente cosa significano quei termini nei risultati.

Le organizzazioni possono lavorare direttamente con i dati grazie alla visualizzazione dei dati. Possono assorbire rapidamente le informazioni che consentiranno loro di trarre vantaggio da nuove possibilità di business e stare al passo con la concorrenza.

Dati non strutturati

La capacità di un data scientist di lavorare con dati non strutturati è fondamentale. I dati non strutturati sono informazioni non strutturate che non rientrano nelle tabelle del database. Video, articoli del blog, recensioni dei clienti, post sui social network, feed video e audio sono tutti esempi. È una raccolta di testi lunghi. Poiché non sono ottimizzati, l'ordinamento di questo tipo di dati è difficile.

A causa della sua complessità, la maggior parte delle persone si riferiva ai dati non strutturati come "analisi nere". L'utilizzo di dati non strutturati ti consente di scoprire informazioni dettagliate che possono aiutarti a prendere decisioni migliori. Devi essere in grado di analizzare e manipolare dati non strutturati da molte piattaforme come data scientist.

Competenze non tecniche

Curiosità intellettuale

“Non ho abilità eccezionali. Sono incuriosito solo perché ne sono appassionato". Albert Einstein una volta disse: "Non esiste una buona idea".

Probabilmente hai sentito molto questa frase ultimamente, specialmente in relazione ai data scientist. In un guest blog che ha scritto alcuni mesi fa, Frank Lo spiega cosa implica e discute di altri importanti "talenti soft".

La curiosità è descritta come il desiderio di saperne di più su qualcosa. Poiché i data scientist trascorrono circa l'80% del loro tempo ad acquisire e preparare i dati, come data scientist devi essere in grado di porre domande al riguardo. Ciò è dovuto al fatto che l'argomento della scienza dei dati è in rapida evoluzione e dovrai saperne di più per tenere il passo.

Dovresti mantenere aggiornata la tua esperienza leggendo libri rilevanti sulle tendenze della scienza dei dati e rivedendo i contenuti online. Non lasciarti intimidire dall'enorme quantità di informazioni che circola su Internet; devi essere in grado di dare un senso a tutto questo. Una delle abilità di cui avrai bisogno per avere successo come scienziato di dati è la curiosità. Ad esempio, potresti non vedere alcuna intuizione nei dati che hai raccolto all'inizio. La curiosità ti permetterà di spulciare i dati alla ricerca di risposte e nuove informazioni.

Acume per gli affari

Per essere un data scientist, devi avere una conoscenza approfondita del settore in cui operi ed essere consapevole dei problemi di business che la tua organizzazione sta tentando di risolvere. In termini di scienza dei dati, la capacità di rilevare quali problemi sono vitali da risolvere per l'organizzazione, oltre a identificare nuovi modi in cui l'azienda potrebbe sfruttare i propri dati, è fondamentale.

Per fare ciò, devi prima comprendere in che modo il problema che stai risolvendo può influenzare l'organizzazione. Questo è il motivo per cui devi capire come funzionano le aziende per concentrare i tuoi sforzi nel modo appropriato.

Abilità comunicative

Le aziende alla ricerca di un data scientist competente desiderano qualcuno che possa comunicare i propri risultati tecnici a un team non tecnico, come i dipartimenti Marketing o Vendite, in modo chiaro e scorrevole. Per gestire i dati in modo efficace, un data scientist deve consentire all'azienda di prendere decisioni fornendo loro informazioni quantitative, oltre a conoscere le esigenze dei suoi colleghi non tecnici. Maggiori informazioni sulle capacità di comunicazione per esperti quantitativi possono essere trovate nel nostro ultimo sondaggio flash.

Non solo devi comunicare nella stessa lingua dell'organizzazione, ma devi anche utilizzare il data storytelling.
Come scienziato dei dati, devi sapere come tessere una narrazione attorno ai dati in modo tale che sia facile da comprendere. Ad esempio, la visualizzazione di una tabella di statistiche non ha lo stesso successo di trasmettere le informazioni dettagliate sui dati in modo narrativo. Lo storytelling ti aiuterà a comunicare efficacemente le tue scoperte ai tuoi capi.

Presta attenzione ai risultati e ai valori incorporati nei dati che hai analizzato durante la comunicazione. La maggior parte degli imprenditori non è interessata a sapere cosa hai scoperto; invece, vogliono sapere come andrà a beneficio della loro azienda. Impara a comunicare in un modo che si concentra sull'offerta di valore e sulla creazione di relazioni a lungo termine.

Lavoro di squadra

Un data scientist non può lavorare da solo. Lavorare con i dirigenti dell'azienda per creare strategie, product manager e designer per produrre prodotti migliori, esperti di marketing per lanciare campagne di conversione migliore e sviluppatori di software client e server per creare pipeline di dati e ottimizzare il flusso di lavoro sono tutte cose che dovrai fare. Dovrai collaborare con tutti i membri dell'azienda, compresi i tuoi consumatori.

In sostanza, lavorerai con i tuoi compagni di squadra per creare casi d'uso in modo da poter comprendere gli obiettivi aziendali e i dati che saranno necessari per affrontare le sfide. Avrai bisogno di sapere come affrontare correttamente i casi d'uso, di quali dati avrai bisogno per risolvere il problema e come tradurre e presentare i risultati in un modo che tutti possano capire.

Risorse

Laurea Avanzata - Per soddisfare le esigenze attuali, sono in fase di sviluppo più lauree in Data Science, ma sono disponibili anche molti programmi di matematica, statistica e informatica.

MOOC – Coursera, Udacity e Codeacademy sono tutti ottimi punti di partenza.

Certificazioni – KDnuggets ha pubblicato un elenco completo.

Bootcamp : dai un'occhiata a questo blog degli ospiti dei data scientist di Datascope Analytics per ulteriori informazioni su come questa strategia si confronta con i corsi di laurea o i MOOC.

Kaggle – Kaggle organizza sfide di data science in cui puoi esercitarti con dati disordinati del mondo reale e risolvere problemi aziendali del mondo reale. Le classifiche Kaggle sono prese sul serio dai datori di lavoro poiché sono considerate lavori di progetto pertinenti e pratici.

Gruppi di LinkedIn : per comunicare con altri membri della comunità di data science, unisciti a gruppi pertinenti.

Data Science Central e KDnuggets – Data Science Central e KDnuggets sono risorse eccellenti per stare al passo con le tendenze del settore della scienza dei dati.

Lo studio Burtch Works: Stipendi degli scienziati dei dati – Se sei interessato a saperne di più sugli stipendi e sui dati demografici attuali degli scienziati dei dati, scarica la nostra ricerca sugli stipendi degli scienziati dei dati.

Sono sicuro che mi sono perso qualcosa, quindi se conosci un'abilità o una risorsa chiave che sarebbe utile a qualsiasi aspirante alla scienza dei dati, pubblicala nei commenti qui sotto!