一份關于數據科學家應該具備的技能清單

大數據時代，什么職業比較吃香?答案可以從今年的校招薪資列表上知道——算法工程師、人工智能研究員、數據分析等職位。其實這幾個職位有一定的交集，那就是需要處理大量的數據，尤其是作為一名數據科學家，主要的工作在處理數據和分析數據上面，也有部分工作與算法工程師和人工智能研究員相重疊，其所占的優勢在于對數據更加敏感。那么作為一名數據科學家，應該具備的技能有哪些呢?本文將一窺究竟。
　　1.學歷
　　數據科學家一般都具有高學歷——88%的數據科學家至少是碩士學位，46%的數據科學家是博士學位，這表明想要成為一名數據科學家需要非常好的教育背景(知識了解深入)。常見的專業是計算機科學、社會科學、物理科學和統計學。最常見的研究領域是數學和統計(32%)，其次是計算機科學(19%)和工程應用(16%)。在攻讀上述學位中學習到的專業知識都將為您提供處理和分析大數據所需的技能。
　　在取得學位后就可以高枕無憂了嗎?答案是否定的，現在是終生學習的時代。事實上，大多數數據科學家在擁有碩士學位或博士學位后，還不斷通過在線訓練以學習如何使用Hadoop或大數據查詢等特殊技能。
　　2.R編程語言
　　對于數據科學家而言，R語言通常是首選編程語言。R語言是專門為數據科學需求而設計的，可以使用R語言來解決在數據科學中遇到的任何問題。事實上，43%的數據科學家正在使用R語言來解決統計問題。
　　但是學習R語言時有一個障礙，那就是如果你已經掌握了一門其它編程語言，那學起來是很痛苦的。盡管如此，互聯網上有很多R語言學習資源，例如Simplilearn的數據科學訓練和R編程語言。
　　技術類技能：計算機科學
　　3.Python編程
　　Python語言近來很火，隨著人工智能以及深度學習的發展，Python已經超越Java語言成為編程中最常用的語言。Python也是在數據科學中常見的編碼語言，據調查，40%的受訪者使用Python作為其主要編程語言。
　　由于Python的多功能性，可以將其用于所有涉及數據科學過程的步驟。比如，Python可以采用各種格式的數據，并且可以輕松地將SQL表導入到代碼中。此外，還允許創建數據集。
　　4.Hadoop平臺
　　CrowdFlower對3490 名領英上注冊的數據科學家進行了一次調查，發現49%的數據科學家將Apache Hadoop列為第二項重要技能。
　　作為一名數據科學家，可能會遇到擁有的數據量超出了系統的內存，或者需要將數據發送到不同的服務器的問題，這些問題都可以通過Hadoop解決——使用Hadoop對數據進行分布式處理。此外，還可以使用Hadoop進行數據挖掘、數據過濾、數據采樣和匯總。
　　5.SQL數據庫/編程
　　盡管NoSQL和Hadoop已經成為數據科學的一個重要組成部分，但有些人仍然可以在SQL中編寫和執行復雜的查詢。SQL(結構化查詢語言)是一種編程語言，可以執行諸如添加、刪除和從數據庫提取數據等操作，還可以執行分析功能并轉換數據庫結構。
　　作為一名數據科學家，需要精通SQL。這是因為SQL專門設計用于訪問、通信和處理數據。當使用它來查詢數據庫時，它會提供見解。此外，由于其簡潔的命令，可以節省時間并減少執行困難查詢時所需的編程量。
　　6.Apache Spark
　　Apache Spark正成為全球最受歡迎的大數據技術。它類似于Hadoop，是一個大數據計算框架。唯一的區別是Spark比Hadoop更快。這是因為Hadoop需要讀取和寫入磁盤，而Spark將其計算緩存在內存中，這類似于機械硬盤與SSD的區別。
　　Apache Spark專為數據科學而設計，能更快地運行復雜的算法。當處理大量數據時，它有助于傳播數據處理，從而節省時間。此外，還能處理復雜的非結構化數據集。
　　Apache Spark的優勢在于其速度，利用該平臺使得開展數據科學項目變得非常容易。借助Apache Spark，可以執行從數據采集到分布式計算的分析。
　　7.機器學習和人工智能
　　許多數據科學家并沒有精通機器學習領域相關知識和技術，比如神經網絡、強化學習、對抗學習等。如果想從數據科學家中脫穎而出的話，需要了解機器學習技術，如監督學習、決策樹、邏輯回歸等，這些技術將幫助你解決基于已有的數據和結果來預測不同數據科學問題。
　　數據科學需要在機器學習的不同領域應用技能，Kaggle在其調查中發現，一小部分數據專業人員掌握了高級機器學習技能，如監督學習、無監督學習、時間序列、自然語言處理、異常檢測、計算機視覺、推薦引擎、生存分析、強化學習和對抗學習等。
　　8.數據可視化
　　大數據時代，數據很多很亂，有些原始數據需要翻譯成易于理解的格式。人們自然而然地以圖表的形式展示數據所要表達的意思，“一張圖片勝過千言萬語”。
　　作為一名數據科學家，必須能夠借助數據可視化工具(如ggplot、d3.js和Matplottlib以及Tableau)來可視化數據，這些工具能將項目的復雜結果轉換為易于理解的格式。
　　數據可視化為組織提供了直接處理數據的機會，可以迅速掌握見解，幫助他們抓住新的商業機會并保持領先地位。
　　9.非結構化數據
　　數據科學家能夠處理非結構化數據至關重要，非結構化數據是不適合定義為數據庫的形式，比如視頻、博客文章、客戶評論、社交媒體文章、視頻文件、音頻等，對這些類型的數據進行排序很困難。
　　由于非結構化數據的復雜性，大多數人將非結構化數據稱為“黑暗分析(dark analytics)”。使用非結構化數據有助于揭示對決策制定有用的見解。作為數據科學家，必須有能力理解和操縱非結構化數據。
　　非技術類技能
　　10.好奇心
　　我沒有特殊的才能，我只是充滿了好奇心——愛因斯坦。
　　好奇心可以被定義為渴望獲得更多的知識，作為一名數據科學家，需要能夠提出有關數據的問題，因為數據科學家將大約80%的時間用于發現和準備數據。由于數據科學領域是一個發展非常迅速的領域，必須學習更多知識以保持不落伍。
　　通過在線閱讀內容并閱讀關于數據科學趨勢的相關書籍來定期更新知識，不要被互聯網上的大量數據所淹沒，必須能夠知道如何理解這一切。好奇心是作為數據科學家取得成功所需的技能之一。例如，第一次看到收集到的數據時，不知道這些數據有什么意義。但好奇心將幫助你篩選數據以找到答案和更多見解。這就像兩個人相親一樣，只有當你對另一方感到好奇時，才會深入的了解下去。
　　11.商業頭腦
　　要成為一名數據科學家，需要對所從事的行業有深入的了解，并了解公司正在努力解決的業務問題。在數據科學方面，除了找出業務應該利用其數據的新方式之外，能夠辨別哪些問題對于解決業務問題至關重要。
　　為了做到這一點，必須了解要解決的問題會如何影響業務，這就是為什么需要了解企業的運作方式，以便能夠朝正確的方向努力。
　　12.溝通能力
　　一些公司正在尋找具有很好溝通能力的數據科學家，他們能夠清晰流利地將技術發現傳遞給非技術團隊的人員，比如市場營銷部門或銷售部門。數據科學家除了理解非技術同事的需求以便適當地調整數據外，還必須做出相關的決定。
　　除了說同一種語言外，還需要使用數據以講故事的方式交流。作為一名數據科學家，必須知道如何創建一個圍繞數據的故事情節，以方便任何人都能理解。例如，呈現數據表格不如以故事形式分享這些數據的見解。講故事可以幫助你將你的發現與雇主正確溝通。
　　溝通時，請注意分析數據的結果，大多數企業主并不想知道你分析的具體內容，而是對如何積極影響其業務感興趣。學會專注于提供價值并通過溝通建立持久的關系。
　　13.團隊合作
　　數據科學家不可能單打獨斗，而是不得不與公司高管合作制定策略、與產品經理和設計師合作創造更好的產品、與營銷人員一起推出更好的轉換活動、與客戶端和服務器軟件開發人員共同創建數據管道并改善工作流程。數據科學家必須與組織中的每個人一起工作，包括客戶。
　　從本質上講，數據科學家將與團隊成員合作開發用例，以了解解決問題所需的業務目標和數據。需要知道解決用例的正確方法、解決問題所需的數據以及如何將結果呈現為所涉及的每個人都可以輕松理解的內容。