成為數據科學家所需的緊缺技能

教育

雖然有明顯的例外，但數據科學家通常受過高等教育，88% 的人至少擁有碩士學位，46% 的人擁有博士學位。 雖然有明顯的例外，但通常需要強大的教育背景來培養成為數據科學家所需的知識深度。

擔任數據科學家需要計算機科學、社會科學、物理科學或統計學的學士學位。 數學和統計學（32%）是最受歡迎的學科，其次是計算機科學（19%）和工程學（16%）。 這些學位中的任何一個都將使您具備處理和評估大量數據所需的能力。

你還沒有完成你的學位課程。 事實上，大多數數據科學家都擁有碩士或博士學位。 並參加在線培訓以學習特定的專業知識，例如 Hadoop 或大數據查詢。 因此，您可以攻讀數據科學、數學、天文學或任何其他相關學科的碩士學位課程。 您將能夠使用您在學位課程中獲得的能力毫不費力地轉移到數據科學。

除了課堂學習之外，您還可以通過創建應用程序、撰寫博客或查看數據分析來了解更多信息，從而將您在課堂上學到的知識付諸實踐。

R 編程

深入了解這些分析工具中的至少一種，R 更適合數據科學。 R 是一種編程語言，其創建時考慮到了數據科學。 您可以使用 R 來解決您遇到的任何數據科學問題。 事實上，43% 的數據科學家使用 R 來處理統計挑戰。 另一方面，R 具有陡峭的學習曲線。

學習是具有挑戰性的，特別是如果你已經知道一門計算機語言。 儘管如此，還是有很多在線工具可以幫助您開始使用 R，包括 Simplilearn 使用 R 編程語言進行數據科學培訓。 對於嶄露頭角的數據科學家來說，它是一個極好的工具。

技術技能：計算機科學

Python 編碼

Python 以及 Java、Perl 和 C/C++ 是我在數據科學角色中看到的最流行的編碼語言。 對於數據科學家來說，Python 是一種優秀的編程語言。 這就是為什麼，根據 O'Reilly 的一項調查，40% 的受訪者使用 Python 作為他們的主要編程語言。

由於其多功能性，Python 幾乎可以用於數據科學操作所需的所有階段。 它接受多種數據類型，並允許您輕鬆地將 SQL 表導入代碼中。 您可以使用它構建數據集，並且幾乎可以在 Google 上找到所需的任何形式的數據集。

Hadoop平台

雖然它並不總是必要的，但在許多情況下強烈建議這樣做。 如果您以前使用過 Hive 或 Pig，這也是一個加分項。 了解如何使用 Amazon S3 等雲解決方案也會有所幫助。 根據眾花 對 3490 個 LinkedIn 數據科學職位的調查，Apache Hadoop 是數據科學家第二重要的專業知識，評分為 49%。

作為一名數據科學家，您可能會發現自己處於數據量超過系統內存或需要將數據發送到其他服務器的場景中； 這就是 Hadoop 的用武之地。Hadoop 可用於將數據快速發送到系統的不同部分。 不過，這還不是全部。

不過，這還不是全部。 使用 Hadoop，數據探索、數據過濾、數據採樣和數據匯總都是可能的。

SQL 數據庫/編碼

儘管 NoSQL 和 Hadoop 已成為數據科學的重要組成部分，但仍預計候選人可以開發和執行複雜的 SQL 查詢。 SQL（結構化查詢語言）是一種編程語言，可用於執行數據庫操作，例如添加、刪除和提取數據。 它還可以幫助執行分析操作和數據庫結構的轉換。

作為一名數據科學家，您必須精通 SQL。 這是因為創建 SQL 是為了幫助您訪問、通信和處理數據。 當您使用它來查詢數據庫時，它會為您提供信息。

它具有簡短的命令，可以節省您的時間並減少運行複雜搜索所需的代碼量。 學習 SQL 將提高您對關係數據庫的理解，並幫助您提升您作為數據科學家的職業生涯。

阿帕奇星火

Apache Spark 正迅速成為地球上使用最廣泛的大數據工具。 它是一個類似 Hadoop 的大數據計算框架。 Spark 之間的唯一區別 和 Hadoop 是火花更快。 這是因為 Hadoop 讀取和寫入磁盤會減慢速度，而 Spark 會將其計算緩存在內存中。

Apache Spark 主要是為數據科學而創建的，以加速復雜算法的執行。 在處理大量數據時，有助於分散數據處理，從而節省時間。 它還幫助數據科學家處理大量的非結構化數據。 它可以在單台機器或一組機器上使用。

Apache Spark 允許數據科學家避免數據科學中的數據丟失。 Apache Spark 的優勢在於它的速度和平台，這使得數據科學項目可以輕鬆完成。 您可以使用 Apache Spark 完成從數據收集到計算分發的所有工作。

機器學習和人工智能

大量數據科學家缺乏機器學習技術和主題方面的專業知識。 神經網絡、強化學習、對抗性學習和其他技術就是這樣的例子。 如果您想將自己與其他數據科學家區分開來，您需要熟悉機器學習技術，包括監督機器學習、決策樹和邏輯回歸等。 這些能力將幫助您根據重要的組織成果預測解決各種數據科學挑戰。

另請閱讀：人工智能：一種現代方法。

數據科學需要機器學習技術在各個領域的應用。 在 Kaggle 的一項調查中發現，只有一小部分數據專業人員精通高級機器學習技能，例如有監督和無監督機器學習、時間序列、自然語言處理、異常值檢測、計算機視覺、推薦引擎、生存分析、強化學習和對抗性學習。

處理大量數據集是數據科學的要求。 機器學習是您應該注意的事情。

數據可視化

企業界定期生成大量數據。 此信息必須轉換為易於解釋的方式。 原始數據比圖表形式的圖像更難讓人理解。 正如成語所說，“一張照片勝過一千個字”。

作為一名數據科學家，您需要能夠使用 ggplot、d3.js 和 Matplotlib 等工具以及 Tableau 來可視化數據。 這些工具將幫助您將復雜的項目成果轉換為易於理解的格式。 問題是許多人不熟悉序列相關或 p 值。 您必須以圖形方式展示結果中這些術語的含義。

由於數據可視化，組織可以直接處理數據。 他們可以快速吸收信息，使他們能夠利用新的業務機會並在競爭中保持領先地位。

非結構化數據

數據科學家處理非結構化數據的能力至關重要。 非結構化數據是不適合數據庫表的非結構化信息。 視頻、博客文章、客戶評論、社交網絡帖子、視頻源和音頻都是示例。 這是一個冗長的文本的集合。 因為它們不是流線型的，所以對這種類型的數據進行排序是很困難的。

由於其複雜性，大多數人將非結構化數據稱為“黑色分析”。 使用非結構化數據可以讓您發現可以幫助您做出更好決策的見解。 作為數據科學家，您必須能夠分析和操作來自許多平台的非結構化數據。

非技術技能

求知欲

“我沒有任何特殊的能力。 我之所以感興趣，是因為我對此充滿熱情。” 阿爾伯特·愛因斯坦曾經說過：“沒有好主意這回事。”

您最近可能經常聽到這句話，尤其是與數據科學家有關的。 在幾個月前他寫的一篇客座博客中，Frank Lo 解釋了它的含義並討論了其他重要的“軟人才”。

好奇心被描述為渴望更多地了解某事。 由於數據科學家將大約 80% 的時間用於獲取和準備數據，因此作為數據科學家，您必須能夠提出有關數據的問題。 這是因為數據科學的主題正在迅速發展，您需要學習更多才能跟上。

您應該通過閱讀有關數據科學趨勢的相關書籍和查看在線內容來保持最新的專業知識。 不要被互聯網上流傳的大量信息嚇倒； 你必須能夠理解這一切。 作為一名數據科學家，你需要成功的能力之一就是好奇心。 例如，您可能在最初收集的數據中看不到任何洞察力。 好奇心將使您能夠梳理數據以尋找答案和新信息。

商業頭腦

要成為一名數據科學家，您必須全面了解您所在的行業，並了解您的組織試圖解決的業務問題。 在數據科學方面，檢測哪些問題對組織來說至關重要，以及確定公司可能利用其數據的新方式的能力至關重要。

為此，您必須首先了解您正在解決的問題可能如何影響組織。 這就是為什麼您必須了解企業的運作方式，以便以適當的方式集中精力。

溝通技巧

尋找稱職數據科學家的公司希望有人能夠以清晰流暢的方式將他們的技術發現傳達給非技術團隊，例如營銷或銷售部門。 為了有效地管理數據，數據科學家必須使公司能夠通過為他們提供定量見解以及了解其非技術同事的需求來做出決策。 有關定量專家溝通能力的更多信息，請參閱我們最新的快速調查。

您不僅必須使用與組織相同的語言進行交流，還必須使用數據講故事。
作為一名數據科學家，您必須知道如何圍繞數據進行敘述，以便於理解。 例如，顯示統計數據表不如以敘述方式傳達數據的見解那麼成功。 講故事將幫助您有效地將您的發現傳達給您的老闆。

在溝通時，請注意您分析的數據中嵌入的結果和值。 大多數企業主對了解您的發現不感興趣。 相反，他們想知道這將如何使他們的公司受益。 學習以專注於提供價值和建立長期關係的方式進行溝通。

團隊合作

數據科學家無法獨自工作。 與公司高管合作制定戰略，與產品經理和設計師合作以生產更好的產品，與營銷人員合作推出轉化效果更好的活動，以及與客戶端和服務器軟件開發人員合作創建數據管道和優化工作流程，這些都是您必須要做的事情。 您必須與公司中的每個人合作，包括您的消費者。

從本質上講，您將與您的團隊成員一起創建用例，以便您了解應對挑戰所需的業務目標和數據。 您需要知道如何正確處理用例，需要哪些數據來解決問題，以及如何以每個人都能理解的方式翻譯和呈現結果。

資源

高級學位——為了滿足當前的需求，正在開發更多的數據科學學位，但也有許多數學、統計學和計算機科學課程可供選擇。

MOOC ——Coursera、Udacity 和 Codeacademy 都是很好的起點。

認證– KDnuggets 列出了一份完整的清單。

訓練營——查看 Datascope Analytics 數據科學家的這篇客座博客，了解有關此策略與學位課程或 MOOC 的比較的更多信息。

Kaggle – Kaggle 組織數據科學挑戰，您可以在其中練習凌亂的真實數據並解決現實世界的業務問題。 Kaggle 排名受到雇主的重視，因為它們被認為是相關的、實踐性的項目工作。

LinkedIn 群組——要與數據科學社區的其他成員交流，請加入相關群組。

Data Science Central 和 KDnuggets – Data Science Central 和 KDnuggets 是跟上數據科學行業趨勢的絕佳資源。

Burtch Works 研究：數據科學家的薪水——如果您有興趣了解有關當前數據科學家的工資和人口統計的更多信息，請下載我們的數據科學家薪水研究。

我確定我錯過了一些東西，所以如果你知道對任何數據科學有希望的人有益的關鍵技能或資源，請在下面的評論中發布！