Востребованные навыки, необходимые для того, чтобы стать Data Scientist

Образование

Хотя есть заметные исключения, специалисты по данным, как правило, высокообразованны: 88% имеют как минимум степень магистра, а 46% имеют докторскую степень. Хотя есть заметные исключения, обычно требуется хорошее образование, чтобы развить глубину знаний, необходимую для того, чтобы стать специалистом по данным.

Для работы специалистом по данным требуется степень бакалавра в области компьютерных наук, социальных наук, физических наук или статистики. Наиболее популярными учебными дисциплинами являются математика и статистика (32%), за ними следуют информатика (19%) и инженерия (16%). Любая из этих степеней предоставит вам способности, необходимые для обработки и оценки больших объемов данных.

Вы еще не закончили свою программу обучения. Правда в том, что большинство специалистов по данным имеют степень магистра или доктора философии. а также примите участие в онлайн-обучении, чтобы освоить определенный опыт, например запросы Hadoop или больших данных. В результате вы можете получить степень магистра в области науки о данных, математики, астрономии или любой другой смежной дисциплины. Вы сможете без особых усилий перейти к науке о данных, используя способности, полученные во время учебы.

Помимо обучения в классе, вы можете применить на практике то, что вы узнали в классе, создав приложение, написав блог или изучив анализ данных, чтобы узнать больше.

R Программирование

Глубокое понимание хотя бы одного из этих аналитических инструментов, причем R предпочтительнее для науки о данных. R — это язык программирования, который был создан с учетом науки о данных. Вы можете использовать R для решения любой проблемы, связанной с наукой о данных, с которой вы столкнетесь. Фактически, R используется 43% специалистов по данным для решения статистических задач. R, с другой стороны, имеет крутую кривую обучения.

Учиться сложно, особенно если вы уже знаете компьютерный язык. Тем не менее, существует множество онлайн-инструментов, которые помогут вам начать работу с R, включая Simplilearn. Обучение науке о данных с языком программирования R. Это отличный инструмент для начинающих специалистов по данным.

Технические навыки: информатика

Кодирование Python

Python, наряду с Java, Perl и C/C++, является наиболее распространенным языком программирования, который я вижу в роли науки о данных. Для специалистов по данным Python — отличный язык программирования. Вот почему, согласно опросу O'Reilly, 40% респондентов используют Python в качестве основного языка программирования.

Благодаря своей универсальности Python можно использовать практически на всех этапах, необходимых для работы с данными. Он принимает различные типы данных и позволяет легко импортировать таблицы SQL в ваш код. Вы можете создавать наборы данных, используя его, и вы можете найти практически любую форму набора данных, которая вам нужна, в Google.

Платформа Hadoop

Хотя это не всегда необходимо, во многих случаях настоятельно рекомендуется. Это также плюс, если вы раньше работали с Hive или Pig. Также может помочь знание того, как использовать облачные решения, такие как Amazon S3. По данным CrowdFlower опрос 3490 вакансий LinkedIn по науке о данных, Apache Hadoop является вторым по важности опытом для специалиста по данным с рейтингом 49 процентов.

Как специалист по данным, вы можете столкнуться с ситуацией, когда объем имеющихся у вас данных превышает объем памяти вашей системы или вам необходимо отправить данные на другие серверы; здесь на помощь приходит Hadoop. Hadoop можно использовать для быстрой отправки данных в разные части системы. Но это еще не все.

Но это еще не все. Анализ данных, фильтрация данных, выборка данных и обобщение данных — все это возможно с Hadoop.

База данных SQL/кодирование

Несмотря на то, что NoSQL и Hadoop стали важными частями науки о данных, ожидается, что кандидат сможет разрабатывать и выполнять сложные SQL-запросы. SQL (язык структурированных запросов) — это язык программирования, который можно использовать для выполнения операций с базой данных, таких как добавление, удаление и извлечение данных. Он также может помочь в выполнении аналитических операций и преобразовании структур базы данных.

Как специалист по данным, вы должны свободно владеть SQL. Это связано с тем, что SQL был создан, чтобы помочь вам в доступе, обмене данными и работе с данными. Когда вы используете его для запросов к базе данных, он предоставляет вам информацию.

В нем есть короткие команды, которые могут сэкономить ваше время и сократить объем кода, необходимого для выполнения сложных поисков. Изучение SQL улучшит ваше понимание реляционных баз данных и поможет вам продвинуться по карьерной лестнице в качестве специалиста по данным.

Апач Спарк

Apache Spark быстро становится наиболее широко используемым инструментом для работы с большими данными на планете. Это платформа для обработки больших данных, похожая на Hadoop. Единственная разница между Spark и Хадуп в том, что Spark быстрее. Это связано с тем, что Hadoop читает и записывает на диск, замедляя его, а Spark кэширует свои вычисления в памяти.

Apache Spark был создан в первую очередь для науки о данных, чтобы ускорить выполнение сложных алгоритмов. При работе с большими объемами данных это помогает рассредоточить обработку данных и, таким образом, сэкономить время. Он также помогает специалистам по данным в работе с большими объемами неструктурированных данных. Его можно использовать на одной машине или группе машин.

Apache Spark позволяет специалистам по данным избежать потери данных в науке о данных. Сила Apache Spark заключается в его скорости и платформе, которые упрощают выполнение проектов по обработке и анализу данных. Вы можете использовать Apache Spark, чтобы делать все, от сбора данных до распределения вычислений.

Машинное обучение и ИИ

Огромному количеству специалистов по данным не хватает опыта в методах и темах машинного обучения. Нейронные сети, обучение с подкреплением, состязательное обучение и другие методы являются примерами этого. Если вы хотите выделиться среди других специалистов по данным, вам необходимо ознакомиться с методами машинного обучения, включая машинное обучение с учителем, деревья решений и логистическую регрессию, среди прочего. Эти способности помогут вам в решении различных задач, связанных с наукой о данных, на основе прогнозов важных организационных результатов.

ТАКЖЕ ЧИТАЙТЕ: Искусственный интеллект: современный подход.

Наука о данных требует применения методов машинного обучения в различных областях. В одном из опросов Kaggle было обнаружено, что лишь небольшой процент специалистов по данным владеет передовыми навыками машинного обучения, такими как контролируемое и неконтролируемое машинное обучение, временные ряды, обработка естественного языка, обнаружение выбросов, компьютерное зрение, механизмы рекомендаций, анализ выживания. , обучение с подкреплением и состязательное обучение.

Работа с огромным количеством наборов данных является требованием науки о данных. Машинное обучение — это то, о чем вы должны знать.

Визуализация данных

Корпоративный мир регулярно генерирует большой объем данных. Эта информация должна быть преобразована в простой для интерпретации способ. Необработанные данные труднее понять людям, чем изображения в виде диаграмм и графиков. «Картинка стоит тысячи слов», как гласит идиома.

Как специалист по данным, вы должны уметь визуализировать данные с помощью таких инструментов, как ggplot, d3.js и Matplotlib, а также Tableau. Эти инструменты помогут вам преобразовать сложные результаты проекта в формат, который легко понять. Проблема в том, что многие люди не знакомы с последовательной корреляцией или значениями p. Вы должны графически продемонстрировать, что означают эти термины в ваших результатах.

Организации могут напрямую работать с данными благодаря визуализации данных. Они могут быстро усваивать информацию, которая позволит им извлечь выгоду из новых возможностей для бизнеса и опередить конкурентов.

Неструктурированные данные

Способность специалиста по данным работать с неструктурированными данными имеет решающее значение. Неструктурированные данные — это неструктурированная информация, которая не помещается в таблицы базы данных. Видео, статьи в блогах, отзывы клиентов, сообщения в социальных сетях, видеопотоки и аудио — все это примеры. Это сборник длинных текстов. Поскольку они не оптимизированы, сортировка данных такого типа затруднена.

Из-за ее сложности большинство людей называют неструктурированные данные «черной аналитикой». Работа с неструктурированными данными позволяет получить информацию, которая поможет вам принимать более обоснованные решения. Вы должны уметь анализировать и манипулировать неструктурированными данными со многих платформ как специалист по данным.

Не технические навыки

Любознательность

«У меня нет никаких исключительных способностей. Я заинтригован только потому, что я увлечен этим». Альберт Эйнштейн однажды сказал: «Нет такой вещи, как хорошая идея».

Вы, наверное, много слышали эту фразу в последнее время, особенно в отношении специалистов по данным. В гостевом блоге, который он написал несколько месяцев назад, Фрэнк Ло объясняет, что это означает, и обсуждает другие важные «мягкие таланты».

Любопытство описывается как желание узнать о чем-то больше. Поскольку специалисты по данным тратят примерно 80% своего времени на сбор и подготовку данных, вы должны иметь возможность задавать вопросы об этом как специалисту по данным. Это связано с тем, что тема науки о данных стремительно развивается, и вам нужно будет учиться больше, чтобы не отставать.

Вы должны обновлять свой опыт, читая соответствующие книги о тенденциях в области науки о данных и просматривая онлайн-контент. Не пугайтесь огромного количества информации, циркулирующей в Интернете; вы должны быть в состоянии понять все это. Одна из способностей, которая вам понадобится, чтобы добиться успеха в качестве специалиста по обработке и анализу данных, — это любознательность. Например, поначалу вы можете не увидеть никакой информации в собранных вами данных. Любопытство позволит вам прочесать данные в поисках ответов и новой информации.

Деловая хватка

Чтобы быть специалистом по данным, вы должны иметь полное представление об отрасли, в которой вы работаете, и знать о бизнес-проблемах, которые ваша организация пытается решить. С точки зрения науки о данных способность определять, какие проблемы жизненно важны для организации, а также определять новые способы, которыми фирма может использовать свои данные, имеет решающее значение.

Для этого вы должны сначала понять, как проблема, которую вы решаете, может повлиять на организацию. Вот почему вы должны понимать, как работает бизнес, чтобы правильно сосредоточить свои усилия.

Навыки коммуникации

Компаниям, которые ищут компетентного специалиста по данным, нужен человек, который может четко и бегло передать свои технические выводы нетехнической команде, такой как отделы маркетинга или продаж. Чтобы эффективно управлять данными, специалист по данным должен позволить компании принимать решения, предоставляя им количественную информацию, а также зная требования своих нетехнических коллег. Более подробную информацию о коммуникативных способностях экспертов по количественному анализу можно найти в нашем последнем экспресс-опросе.

Вы должны не только общаться на том же языке, что и организация, но и использовать сторителлинг на основе данных.
Как специалист по данным, вы должны знать, как сплести повествование вокруг данных так, чтобы его было легко понять. Например, отображение таблицы статистики не так успешно, как передача данных в описательной форме. Сторителлинг поможет вам эффективно донести свои выводы до начальства.

Обратите внимание на результаты и значения, заложенные в данных, которые вы проанализировали при общении. Большинство владельцев бизнеса не заинтересованы в изучении того, что вы открыли; вместо этого они хотят знать, какую пользу это принесет их компании. Научитесь общаться таким образом, чтобы предлагать ценность и устанавливать долгосрочные отношения.

Командная работа

Специалист по данным не может работать сам по себе. Работать с руководителями компаний над созданием стратегий, менеджерами по продукции и дизайнерами над созданием более качественных продуктов, маркетологами над запуском кампаний с более высокой конверсией, а также разработчиками клиентского и серверного программного обеспечения над созданием конвейеров данных и оптимизацией рабочего процесса — все это вам придется делать. Вам придется сотрудничать со всеми в компании, включая ваших потребителей.

По сути, вы будете работать со своими товарищами по команде над созданием вариантов использования, чтобы вы могли понять бизнес-цели и данные, которые потребуются для решения проблем. Вам нужно знать, как правильно подходить к вариантам использования, какие данные вам потребуются для решения проблемы и как переводить и представлять результаты таким образом, чтобы все могли их понять.

Ресурсы

Высшая степень . Чтобы удовлетворить нынешнюю потребность, разрабатывается больше степеней по науке о данных, но также доступно множество программ по математике, статистике и информатике.

МООК — Coursera, Udacity и Codeacademy — отличные места для начала.

Сертификаты – KDnuggets опубликовал полный список.

Учебные курсы. Ознакомьтесь с этим гостевым блогом специалистов по обработке и анализу данных Datascope Analytics, чтобы получить дополнительную информацию о том, как эта стратегия сравнивается с программами на получение степени или МООК.

Kaggle — Kaggle организует задачи по науке о данных, где вы можете попрактиковаться с беспорядочными, реальными данными и решить реальные бизнес-задачи. Работодатели серьезно относятся к рейтингам Kaggle, поскольку они считаются релевантной практической проектной работой.

Группы LinkedIn . Чтобы общаться с другими участниками сообщества специалистов по данным, присоединяйтесь к соответствующим группам.

Data Science Central и KDnuggets — Data Science Central и KDnuggets — отличные ресурсы для того, чтобы не отставать от тенденций отрасли науки о данных.

Исследование Burtch Works: Заработная плата специалистов по данным. Если вы хотите узнать больше о текущей заработной плате и демографических характеристиках специалистов по данным, загрузите наше исследование о зарплатах специалистов по данным.

Я уверен, что что-то упустил, поэтому, если вы знаете о ключевом навыке или ресурсе, который был бы полезен любому, кто надеется на науку о данных, напишите об этом в комментариях ниже!