干货 ：送你12个关于数据科学学习的关键提示（附链接）
|
副标题[/!--empirenews.page--]
小结: 数据科学家需要强大的数学和编码能力，但沟通能力和其它软技能也是走向成功不可缺少的基本功。
根据Glassdoor在美国区的统计，“数据科学家”排名为2019年最诱人的工作。平均基础工资为$108k，工作满意度为4.3–5★，加上被预测有大量空缺，这个结果一点都不令人吃惊。 问题是，一个人该如何修炼才能走上正轨并获得胜任这份工作的资格? 为了找到答案，我们总结了大量文章里的建议，很多可以归纳为编码与数学上的硬技能(hard skills)。但强大的计算能力并不是全部。一名优秀的数据科学家仍需要和相关业务人员进行有效沟通，这里便需要一些软技能(soft skills)。
铸造你的教育地基：3个要点 Drace Zhan作为 NYC Data Science Academy 的数据科学家，强调了教育基础的必要性，包括编码基础和数学能力：
R/Python + SQL。如果你没有编码能力，那你就需要大量的网络等其它领域的力量来补充这个缺陷。我见到过一些数据科学家，有的数学能力比较薄弱，或者对相关领域欠缺经验，但他们总有很强的编码能力。Python是很理想，R正在变得有点落后，最好两样武器都带上。SQL对于数据分析师来说同样极其重要。
强大的数学能力。对一些常用的理论有着较好的理解：generalized linear models(广义线性模型)，decision tree(决策树)，K-means(聚类分析)和statistical tests(假设检验)。这好过手握大量模型甚至专业模型如递归神经网络(RNN)，却仅仅是浅尝辄止。
这些都是需要培养的核心技能，尽管一些专家还加入了其它东西。例如，一份 KDnuggests 清单包含了编码成分，Zhan在此基础上还加入了一些其他有用的东西，包括Hadoop平台，Apache Spark，数据可视化，非结构化数据，机器学习和AI。
但如果我们从一份Kaggle调研中寻求线索，关于“那些在实际生活中被使用的最普遍的工具”，我们会有不同的发现。下面这张图是名列前15的硬技能。 Python，R和SQL排在前三，第四名是 Jupyter notebooks，接下来是 TensorFlow，Amazon Web Services，Unix shell，Tableau，C/C++，NoSQL，MATLAB/Octave和Java，都排在Hadoop和Spark前面。颇让人意外的是，Microsoft’s Excel Data Mining也被列进来了。
在KDnuggests清单中也包括了关于正规教育的建议。大多数据科学家都拥有高学历，46%是博士，88%的人拥有至少硕士学位。他们的本科学位通常是相关领域。大约1/3是数学和统计学，这也是最受欢迎的职业轨迹。接下来最受欢迎的是计算机科学学位，占有19%，工程学16%。当然专门针对数据科学的技术工具通常不会设在大学课程中，但是可以通过专门的训练营或在线课程习得。 课程之外：2个要点 Hank Yun是威尔康奈尔医学院肺科的一名助理研究员，同时也是NYC数据科学学院的学生。他建议有抱负的数据科学家围绕他们将要从事的工作进行计划，并找到一位导师。
他说：“不要犯我曾经犯过的错误。那时我对自己说，我知道数据科学，因为我参加了课程并获得了证书。”这确实是个不错的开始，但当你开始学的时候，脑海中要有一个计划。然后在该领域中找到一名导师，并立刻开始一个令你充满激情的项目。 当你还是个新手，你不知道你不知道什么。所以如果有个人指导你前行，告诉你，什么是对于现在的你最重要的，什么不是，这将很有帮助。别把时间扔在学习那些最后根本无法施展的东西! 知道从你的工具包里取出哪样工具：保持领先的要点 由于数据科学工具的排名不尽相同，有人可能会困惑，到底该把精力集中在哪些上面。Celeste Fralick是McAfee软件安全公司的首席数据科学家。他在CIO article上强调了这个问题：“一名数据科学家需要处在调查曲线的前端，但别忘了去明白，什么技术该什么时候用。” 这句话意思是，别被新鲜与性感的外表蛊惑，而实际问题需要更多工作。意识到对于生态系统的计算成本，可解释性，延迟，带宽，和其它系统边界条件，还有客户的到期时间，它本身就能帮助数据科学家知道，使用什么技术最合适。
基本软技能：另外6个要点 （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
