ทักษะตามความต้องการที่คุณต้องการเพื่อเป็น Data Scientist

การศึกษา

แม้ว่าจะมีข้อยกเว้นที่น่าสังเกต แต่นักวิทยาศาสตร์ด้านข้อมูลมักได้รับการศึกษาสูง โดย 88% มีปริญญาโทเป็นอย่างน้อย และ 46% มีปริญญาเอก แม้ว่าจะมีข้อยกเว้นที่น่าสังเกต แต่พื้นฐานการศึกษาที่แข็งแกร่งมักจะต้องพัฒนาความรู้เชิงลึกที่จำเป็นในการเป็นนักวิทยาศาสตร์ข้อมูล

จำเป็นต้องมีวุฒิปริญญาตรีสาขาวิทยาการคอมพิวเตอร์ สังคมศาสตร์ วิทยาศาสตร์กายภาพ หรือสถิติ เพื่อทำงานเป็นนักวิทยาศาสตร์ข้อมูล คณิตศาสตร์และสถิติ (32%) เป็นสาขาวิชาที่ได้รับความนิยมมากที่สุด รองลงมาคือวิทยาการคอมพิวเตอร์ (19%) และวิศวกรรมศาสตร์ (16%) องศาเหล่านี้จะช่วยให้คุณมีความสามารถที่จำเป็นในการประมวลผลและประเมินข้อมูลจำนวนมาก

คุณยังไม่จบหลักสูตรปริญญาของคุณ ความจริงก็คือนักวิทยาศาสตร์ด้านข้อมูลส่วนใหญ่มีปริญญาโทหรือปริญญาเอก และยังเข้าร่วมการฝึกอบรมออนไลน์เพื่อเรียนรู้ความเชี่ยวชาญเฉพาะด้าน เช่น Hadoop หรือ Big Data Querying ด้วยเหตุนี้ คุณสามารถเรียนหลักสูตรปริญญาโทในสาขาวิทยาศาสตร์ข้อมูล คณิตศาสตร์ ดาราศาสตร์ หรือสาขาอื่นๆ ที่เกี่ยวข้องได้ คุณจะสามารถโอนย้ายไปยังวิทยาศาสตร์ข้อมูลได้อย่างง่ายดายโดยใช้ความสามารถที่คุณได้รับระหว่างหลักสูตรปริญญาของคุณ

นอกเหนือจากการเรียนรู้ในห้องเรียนแล้ว คุณยังสามารถนำสิ่งที่คุณได้เรียนรู้ในชั้นเรียนไปปฏิบัติได้ด้วยการสร้างแอป เขียนบล็อก หรือดูการวิเคราะห์ข้อมูลเพื่อเรียนรู้เพิ่มเติม

การเขียนโปรแกรม R

ความเข้าใจในเชิงลึกของเครื่องมือวิเคราะห์อย่างน้อยหนึ่งเครื่องมือ โดยที่ R เหมาะสมกว่าสำหรับวิทยาศาสตร์ข้อมูล R เป็นภาษาโปรแกรมที่สร้างขึ้นโดยคำนึงถึงวิทยาศาสตร์ข้อมูล คุณสามารถใช้ R เพื่อแก้ปัญหาด้านวิทยาศาสตร์ข้อมูลที่คุณเจอ ในความเป็นจริง R ถูกใช้โดย 43% ของนักวิทยาศาสตร์ข้อมูลเพื่อจัดการกับความท้าทายทางสถิติ ในทางกลับกัน R มีเส้นโค้งการเรียนรู้ที่สูงชัน

การเรียนรู้เป็นสิ่งที่ท้าทาย โดยเฉพาะอย่างยิ่งถ้าคุณรู้ภาษาคอมพิวเตอร์อยู่แล้ว อย่างไรก็ตาม มีเครื่องมือออนไลน์มากมายที่จะช่วยคุณเริ่มต้นใช้งาน R รวมถึง Simplilearn การฝึกอบรม Data Science ด้วยภาษาการเขียนโปรแกรม R เป็นเครื่องมือที่ยอดเยี่ยมสำหรับนักวิทยาศาสตร์ด้านข้อมูล

ทักษะทางเทคนิค: วิทยาการคอมพิวเตอร์

การเข้ารหัส Python

Python ร่วมกับ Java, Perl และ C/C++ เป็นภาษาเขียนโค้ดที่แพร่หลายที่สุดที่ฉันเห็นในบทบาทด้านวิทยาศาสตร์ข้อมูล สำหรับนักวิทยาศาสตร์ด้านข้อมูล Python เป็นภาษาโปรแกรมที่ยอดเยี่ยม ด้วยเหตุนี้ จากการสำรวจของ O'Reilly 40% ของผู้ตอบแบบสอบถามใช้ Python เป็นภาษาการเขียนโปรแกรมหลัก

Python สามารถใช้ได้กับทุกขั้นตอนที่จำเป็นในการดำเนินการด้านวิทยาศาสตร์ข้อมูล เนื่องจากมีความเก่งกาจ ยอมรับประเภทข้อมูลที่หลากหลายและช่วยให้คุณสามารถนำเข้าตาราง SQL ลงในโค้ดของคุณได้อย่างง่ายดาย คุณสามารถสร้างชุดข้อมูลได้โดยใช้มัน และคุณสามารถค้นหาชุดข้อมูลเกือบทุกรูปแบบที่คุณต้องการบน Google

Hadoop แพลตฟอร์ม

แม้ว่าจะไม่จำเป็นเสมอไป แต่ก็แนะนำอย่างยิ่งในหลายกรณี นอกจากนี้ยังเป็นข้อดีหากคุณเคยทำงานกับ Hive หรือ Pig มาก่อน การรู้วิธีใช้โซลูชันระบบคลาวด์ เช่น Amazon S3 ก็สามารถช่วยได้เช่นกัน ตาม CrowdFlower การสำรวจตำแหน่งวิทยาศาสตร์ข้อมูล LinkedIn 3490 ตำแหน่ง Apache Hadoop เป็นความเชี่ยวชาญที่สำคัญที่สุดอันดับสองสำหรับนักวิทยาศาสตร์ข้อมูล ด้วยคะแนน 49 เปอร์เซ็นต์

ในฐานะนักวิทยาศาสตร์ข้อมูล คุณอาจพบว่าตัวเองอยู่ในสถานการณ์ที่ปริมาณข้อมูลของคุณเกินหน่วยความจำของระบบ หรือคุณจำเป็นต้องส่งข้อมูลไปยังเซิร์ฟเวอร์อื่น นี่คือที่มาของ Hadoop Hadoop อาจใช้เพื่อส่งข้อมูลไปยังส่วนต่างๆ ของระบบอย่างรวดเร็ว นั่นไม่ใช่ทั้งหมดแม้ว่า

นั่นไม่ใช่ทั้งหมดแม้ว่า การสำรวจข้อมูล การกรองข้อมูล การสุ่มตัวอย่างข้อมูล และการสรุปข้อมูลสามารถทำได้ด้วย Hadoop

ฐานข้อมูล SQL/การเข้ารหัส

แม้ว่า NoSQL และ Hadoop จะกลายเป็นส่วนสำคัญของวิทยาศาสตร์ข้อมูล แต่ก็ยังคาดการณ์ว่าผู้สมัครจะสามารถพัฒนาและดำเนินการค้นหา SQL ที่ซับซ้อนได้ SQL (ภาษาคิวรีที่มีโครงสร้าง) เป็นภาษาโปรแกรมที่อาจใช้เพื่อดำเนินการกับฐานข้อมูล เช่น การเพิ่ม การลบ และการแยกข้อมูล นอกจากนี้ยังสามารถช่วยในการดำเนินการวิเคราะห์และการแปลงโครงสร้างฐานข้อมูล

ในฐานะนักวิทยาศาสตร์ข้อมูล คุณต้องใช้ SQL ได้อย่างคล่องแคล่ว เนื่องจาก SQL ถูกสร้างขึ้นเพื่อช่วยคุณในการเข้าถึง สื่อสาร และทำงานกับข้อมูล เมื่อคุณใช้เพื่อสืบค้นฐานข้อมูล จะให้ข้อมูลแก่คุณ

มีคำสั่งสั้นๆ ที่สามารถช่วยคุณประหยัดเวลาและลดจำนวนโค้ดที่จำเป็นในการเรียกใช้การค้นหาที่ซับซ้อน การเรียนรู้ SQL จะช่วยเพิ่มความเข้าใจในฐานข้อมูลเชิงสัมพันธ์และช่วยให้คุณก้าวหน้าในอาชีพการเป็นนักวิทยาศาสตร์ข้อมูล

Apache Spark

Apache Spark กลายเป็นเครื่องมือข้อมูลขนาดใหญ่ที่ใช้กันอย่างแพร่หลายมากที่สุดในโลกอย่างรวดเร็ว มันเป็นกรอบการประมวลผลข้อมูลขนาดใหญ่ที่เหมือน Hadoop ความแตกต่างเพียงอย่างเดียวระหว่าง Spark และฮาดูป คือ Spark นั้นเร็วกว่า นี่เป็นเพราะความจริงที่ว่า Hadoop อ่านและเขียนดิสก์ ทำให้ช้าลง ในขณะที่ Spark แคชการคำนวณในหน่วยความจำ

Apache Spark สร้างขึ้นสำหรับวิทยาการข้อมูลเป็นหลักเพื่อเร่งการทำงานของอัลกอริธึมที่ซับซ้อน เมื่อต้องจัดการกับข้อมูลจำนวนมาก จะช่วยในการกระจายการประมวลผลข้อมูลและช่วยประหยัดเวลา นอกจากนี้ยังช่วยนักวิทยาศาสตร์ข้อมูลในการจัดการกับปริมาณข้อมูลขนาดใหญ่ที่ไม่มีโครงสร้าง ใช้ได้กับเครื่องเดียวหรือหลายเครื่อง

Apache Spark ช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถหลีกเลี่ยงการสูญเสียข้อมูลในวิทยาศาสตร์ข้อมูล จุดแข็งของ Apache Spark คือความเร็วและแพลตฟอร์ม ซึ่งทำให้โครงการวิทยาศาสตร์ข้อมูลสำเร็จได้ง่าย คุณสามารถใช้ Apache Spark เพื่อทำทุกอย่างตั้งแต่การรวบรวมข้อมูลไปจนถึงการกระจายการคำนวณ

แมชชีนเลิร์นนิงและ AI

นักวิทยาศาสตร์ข้อมูลจำนวนมากขาดความเชี่ยวชาญในเทคนิคและหัวข้อการเรียนรู้ของเครื่อง โครงข่ายประสาทเทียม การเรียนรู้แบบเสริมกำลัง การเรียนรู้จากฝ่ายตรงข้าม และเทคนิคอื่นๆ เป็นตัวอย่างของสิ่งนี้ หากคุณต้องการแยกตัวเองออกจากนักวิทยาศาสตร์ด้านข้อมูลอื่นๆ คุณต้องทำความคุ้นเคยกับเทคนิคแมชชีนเลิร์นนิง ซึ่งรวมถึงการเรียนรู้ด้วยเครื่องภายใต้การดูแล แผนผังการตัดสินใจ และการถดถอยโลจิสติก และอื่นๆ ความสามารถเหล่านี้จะช่วยคุณในการแก้ปัญหาความท้าทายด้านวิทยาศาสตร์ข้อมูลต่างๆ ตามการคาดการณ์ผลลัพธ์ขององค์กรที่สำคัญ

ยังอ่าน: ปัญญาประดิษฐ์: แนวทางสมัยใหม่

วิทยาศาสตร์ข้อมูลจำเป็นต้องมีการประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่องในด้านต่างๆ ในแบบสำรวจของ Kaggle พบว่ามีผู้เชี่ยวชาญด้านข้อมูลเพียงไม่กี่เปอร์เซ็นต์เท่านั้นที่มีความเชี่ยวชาญในทักษะการเรียนรู้ของเครื่องขั้นสูง เช่น แมชชีนเลิร์นนิงภายใต้การดูแลและไม่ได้รับการดูแล อนุกรมเวลา การประมวลผลภาษาธรรมชาติ การตรวจจับค่าผิดปกติ คอมพิวเตอร์วิทัศน์ เครื่องมือแนะนำ การวิเคราะห์การอยู่รอด การเรียนรู้แบบเสริมกำลัง และการเรียนรู้จากฝ่ายตรงข้าม

การทำงานกับชุดข้อมูลจำนวนมากเป็นข้อกำหนดของวิทยาศาสตร์ข้อมูล การเรียนรู้ของเครื่องเป็นสิ่งที่คุณควรทราบ

การแสดงข้อมูล

โลกขององค์กรสร้างข้อมูลจำนวนมากเป็นประจำ ข้อมูลนี้จะต้องถูกแปลงในลักษณะที่ง่ายต่อการตีความ ข้อมูลดิบเป็นสิ่งที่ผู้คนเข้าใจยากกว่าภาพในรูปแบบแผนภูมิและกราฟ “รูปภาพมีค่าหนึ่งพันคำ” ตามสำนวนที่ว่า

ในฐานะนักวิทยาศาสตร์ข้อมูล คุณจะต้องสามารถแสดงภาพข้อมูลโดยใช้เครื่องมือต่างๆ เช่น ggplot, d3.js และ Matplotlib ตลอดจน Tableau เครื่องมือเหล่านี้จะช่วยคุณในการแปลงผลลัพธ์ของโครงการที่ซับซ้อนให้อยู่ในรูปแบบที่เข้าใจง่าย ปัญหาคือหลายคนไม่คุ้นเคยกับความสัมพันธ์แบบอนุกรมหรือค่า p คุณต้องแสดงให้เห็นอย่างชัดเจนถึงความหมายของคำศัพท์เหล่านั้นในผลลัพธ์ของคุณ

องค์กรสามารถทำงานกับข้อมูลได้โดยตรงด้วยการแสดงภาพข้อมูล พวกเขาสามารถดูดซับข้อมูลได้อย่างรวดเร็ว ซึ่งจะช่วยให้พวกเขาสามารถใช้ประโยชน์จากความเป็นไปได้ทางธุรกิจใหม่ๆ และนำหน้าคู่แข่ง

ข้อมูลที่ไม่มีโครงสร้าง

ความสามารถของนักวิทยาศาสตร์ข้อมูลในการทำงานกับข้อมูลที่ไม่มีโครงสร้างเป็นสิ่งสำคัญ ข้อมูลที่ไม่มีโครงสร้างเป็นข้อมูลที่ไม่มีโครงสร้างซึ่งไม่พอดีกับตารางฐานข้อมูล วิดีโอ บทความบล็อก ความคิดเห็นของลูกค้า โพสต์บนโซเชียลเน็ตเวิร์ก ฟีดวิดีโอ และเสียงล้วนเป็นตัวอย่าง เป็นชุดข้อความยาวๆ เนื่องจากไม่มีความคล่องตัว การจัดเรียงข้อมูลประเภทนี้จึงเป็นเรื่องยาก

เนื่องจากความสลับซับซ้อน คนส่วนใหญ่เรียกข้อมูลที่ไม่มีโครงสร้างว่า "การวิเคราะห์สีดำ" การทำงานกับข้อมูลที่ไม่มีโครงสร้างช่วยให้คุณค้นพบข้อมูลเชิงลึกที่สามารถช่วยให้คุณตัดสินใจได้ดีขึ้น คุณต้องสามารถวิเคราะห์และจัดการข้อมูลที่ไม่มีโครงสร้างจากหลาย ๆ แพลตฟอร์มในฐานะนักวิทยาศาสตร์ข้อมูล

ทักษะที่ไม่ใช่ด้านเทคนิค

ความอยากรู้ทางปัญญา

“ฉันไม่มีความสามารถพิเศษใดๆ ฉันแค่รู้สึกทึ่งเพราะฉันหลงใหลในเรื่องนี้” อัลเบิร์ต ไอน์สไตน์ เคยกล่าวไว้ว่า "ไม่มีความคิดที่ดี"

คุณคงเคยได้ยินวลีนี้บ่อยมากในช่วงนี้ โดยเฉพาะอย่างยิ่งในส่วนที่เกี่ยวกับนักวิทยาศาสตร์ข้อมูล ในบล็อกของแขกที่เขาเขียนเมื่อไม่กี่เดือนก่อน Frank Lo อธิบายว่ามันหมายถึงอะไรและพูดถึง “พรสวรรค์ที่อ่อนนุ่ม” ที่สำคัญอื่นๆ

ความอยากรู้ถูกอธิบายว่าเป็นความปรารถนาที่จะเรียนรู้เพิ่มเติมเกี่ยวกับบางสิ่งบางอย่าง เนื่องจากนักวิทยาศาสตร์ด้านข้อมูลใช้เวลาประมาณ 80% ของเวลาในการรับและเตรียมข้อมูล คุณต้องสามารถถามคำถามเกี่ยวกับเรื่องนี้ได้ในฐานะนักวิทยาศาสตร์ข้อมูล นี่เป็นเพราะความจริงที่ว่าหัวข้อของวิทยาศาสตร์ข้อมูลมีการพัฒนาอย่างรวดเร็ว และคุณจะต้องเรียนรู้เพิ่มเติมเพื่อให้ทัน

คุณควรปรับปรุงความเชี่ยวชาญของคุณให้ทันสมัยอยู่เสมอโดยอ่านหนังสือที่เกี่ยวข้องเกี่ยวกับแนวโน้มของวิทยาศาสตร์ข้อมูลและทบทวนเนื้อหาออนไลน์ อย่าตกใจกับข้อมูลจำนวนมหาศาลที่เผยแพร่บนอินเทอร์เน็ต คุณต้องสามารถทำความเข้าใจได้ทั้งหมด ความสามารถอย่างหนึ่งที่คุณจะต้องประสบความสำเร็จในฐานะนักวิทยาศาสตร์ข้อมูลคือความอยากรู้อยากเห็น ตัวอย่างเช่น คุณอาจไม่เห็นข้อมูลเชิงลึกใดๆ ในข้อมูลที่รวบรวมได้ในตอนแรก ความอยากรู้จะช่วยให้คุณรวบรวมข้อมูลเพื่อค้นหาคำตอบและข้อมูลใหม่

ความเฉียบแหลมทางธุรกิจ

ในการเป็นนักวิทยาศาสตร์ข้อมูล คุณต้องมีความตระหนักรู้อย่างถี่ถ้วนเกี่ยวกับอุตสาหกรรมที่คุณดำเนินการอยู่ และตระหนักถึงปัญหาทางธุรกิจที่องค์กรของคุณพยายามแก้ไข ในแง่ของวิทยาศาสตร์ข้อมูล ความสามารถในการตรวจสอบว่าปัญหาใดมีความสำคัญต่อการแก้ปัญหาสำหรับองค์กร ตลอดจนการระบุวิธีใหม่ๆ ที่บริษัทอาจใช้ประโยชน์จากข้อมูลได้นั้นเป็นสิ่งสำคัญ

ในการดำเนินการดังกล่าว คุณต้องเข้าใจก่อนว่าปัญหาที่คุณกำลังแก้ไขอาจส่งผลต่อองค์กรอย่างไร นี่คือเหตุผลที่คุณต้องเข้าใจว่าธุรกิจทำงานอย่างไรเพื่อมุ่งเน้นความพยายามของคุณในวิธีที่เหมาะสม

ความสามารถในการสื่อสาร

บริษัทต่างๆ ที่กำลังมองหานักวิทยาศาสตร์ด้านข้อมูลที่มีความสามารถต้องการใครสักคนที่สามารถสื่อสารสิ่งที่ค้นพบทางเทคนิคของตนกับทีมที่ไม่ใช่ด้านเทคนิค เช่น ฝ่ายการตลาดหรือฝ่ายขายได้อย่างชัดเจนและคล่องแคล่ว เพื่อที่จะจัดการข้อมูลได้อย่างมีประสิทธิภาพ นักวิทยาศาสตร์ด้านข้อมูลจะต้องทำให้บริษัทสามารถตัดสินใจได้โดยการให้ข้อมูลเชิงลึกเชิงปริมาณแก่พวกเขา เช่นเดียวกับการรู้ความต้องการของเพื่อนร่วมงานที่ไม่ใช่ด้านเทคนิค ข้อมูลเพิ่มเติมเกี่ยวกับความสามารถในการสื่อสารสำหรับผู้เชี่ยวชาญเชิงปริมาณสามารถดูได้ในแบบสำรวจแฟลชล่าสุดของเรา

คุณต้องไม่เพียงแค่สื่อสารในภาษาเดียวกับองค์กรเท่านั้น แต่คุณต้องใช้การเล่าเรื่องด้วยข้อมูลด้วย
ในฐานะนักวิทยาศาสตร์ข้อมูล คุณต้องรู้วิธีการสานคำบรรยายรอบๆ ข้อมูลเพื่อให้เข้าใจได้ง่าย ตัวอย่างเช่น การแสดงตารางสถิติไม่ประสบความสำเร็จเท่ากับการถ่ายทอดข้อมูลเชิงลึกของข้อมูลในลักษณะการบรรยาย การเล่าเรื่องจะช่วยคุณในการสื่อสารสิ่งที่คุณค้นพบกับหัวหน้าของคุณอย่างมีประสิทธิภาพ

ให้ความสนใจกับผลลัพธ์และค่าที่ฝังอยู่ในข้อมูลที่คุณวิเคราะห์เมื่อทำการสื่อสาร เจ้าของธุรกิจส่วนใหญ่ไม่สนใจที่จะเรียนรู้สิ่งที่คุณค้นพบ แต่พวกเขาต้องการทราบว่าจะเป็นประโยชน์ต่อบริษัทของตนอย่างไร เรียนรู้ที่จะสื่อสารในลักษณะที่เน้นการเสนอคุณค่าและสร้างความสัมพันธ์ระยะยาว

การทำงานเป็นทีม

นักวิทยาศาสตร์ข้อมูลไม่สามารถทำงานด้วยตัวเองได้ การทำงานกับผู้บริหารของบริษัทเพื่อสร้างกลยุทธ์ ผู้จัดการผลิตภัณฑ์และนักออกแบบเพื่อผลิตผลิตภัณฑ์ที่ดีขึ้น นักการตลาดเพื่อเปิดตัวแคมเปญที่มีการแปลงที่ดีขึ้น และนักพัฒนาซอฟต์แวร์ไคลเอ็นต์และเซิร์ฟเวอร์เพื่อสร้างไปป์ไลน์ข้อมูลและเพิ่มประสิทธิภาพเวิร์กโฟลว์คือสิ่งที่คุณต้องทำทั้งหมด คุณจะต้องร่วมมือกับทุกคนในบริษัท รวมถึงผู้บริโภคของคุณด้วย

โดยพื้นฐานแล้ว คุณจะต้องทำงานร่วมกับเพื่อนร่วมทีมของคุณเพื่อสร้างกรณีการใช้งาน เพื่อให้คุณเข้าใจเป้าหมายทางธุรกิจและข้อมูลที่จำเป็นสำหรับจัดการกับความท้าทาย คุณจะต้องรู้วิธีเข้าถึงกรณีการใช้งานอย่างถูกต้อง ข้อมูลใดบ้างที่คุณต้องใช้ในการแก้ปัญหา และวิธีแปลและนำเสนอผลลัพธ์ในแบบที่ทุกคนสามารถเข้าใจได้

ทรัพยากร

ปริญญาขั้นสูง – เพื่อตอบสนองความต้องการในปัจจุบัน มีการพัฒนาองศาวิทยาศาสตร์ข้อมูลมากขึ้น แต่ยังมีโปรแกรมคณิตศาสตร์ สถิติ และวิทยาการคอมพิวเตอร์อีกมากมาย

MOOCs – Coursera, Udacity และ Codeacademy เป็นจุดเริ่มต้นที่ยอดเยี่ยม

ใบรับรอง – KDnuggets ได้จัดทำรายการที่ครอบคลุม

Bootcamps – ดูบล็อกผู้เยี่ยมชมนี้จากนักวิทยาศาสตร์ด้านข้อมูลของ Datascope Analytics สำหรับข้อมูลเพิ่มเติมว่ากลยุทธ์นี้เปรียบเทียบกับโปรแกรมระดับปริญญาหรือ MOOC อย่างไร

Kaggle – Kaggle จัดการความท้าทายด้านวิทยาศาสตร์ข้อมูลซึ่งคุณสามารถฝึกฝนกับข้อมูลในโลกแห่งความเป็นจริงที่ยุ่งเหยิงและแก้ปัญหาทางธุรกิจในโลกแห่งความเป็นจริง นายจ้างถือว่าการจัดอันดับ Kaggle เป็นเรื่องที่เกี่ยวข้องและเป็นงานจริง

กลุ่ม LinkedIn – เพื่อสื่อสารกับสมาชิกคนอื่นๆ ของชุมชนวิทยาศาสตร์ข้อมูล เข้าร่วมกลุ่มที่เกี่ยวข้อง

Data Science Central และ KDnuggets – Data Science Central และ KDnuggets เป็นแหล่งข้อมูลที่ยอดเยี่ยมสำหรับการติดตามแนวโน้มอุตสาหกรรมวิทยาศาสตร์ข้อมูล

การศึกษา Burtch Works: เงินเดือนของนักวิทยาศาสตร์ข้อมูล – หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับค่าจ้างและข้อมูลประชากรของนักวิทยาศาสตร์ข้อมูลในปัจจุบัน โปรดดาวน์โหลดงานวิจัยเกี่ยวกับเงินเดือนของนักวิทยาศาสตร์ข้อมูล

ฉันแน่ใจว่าฉันพลาดบางสิ่งบางอย่างไป ดังนั้นหากคุณรู้จักทักษะหลักหรือทรัพยากรที่จะเป็นประโยชน์ต่อความหวังด้านวิทยาศาสตร์ข้อมูล โปรดโพสต์ไว้ในความคิดเห็นด้านล่าง!