成为数据科学家所需的紧缺技能

教育

虽然有明显的例外，但数据科学家通常受过高等教育，88% 的人至少拥有硕士学位，46% 的人拥有博士学位。 虽然有明显的例外，但通常需要强大的教育背景来培养成为数据科学家所需的知识深度。

担任数据科学家需要计算机科学、社会科学、物理科学或统计学的学士学位。 数学和统计学（32%）是最受欢迎的学科，其次是计算机科学（19%）和工程学（16%）。 这些学位中的任何一个都将使您具备处理和评估大量数据所需的能力。

你还没有完成你的学位课程。 事实上，大多数数据科学家都拥有硕士或博士学位。 并参加在线培训以学习特定的专业知识，例如 Hadoop 或大数据查询。 因此，您可以攻读数据科学、数学、天文学或任何其他相关学科的硕士学位课程。 您将能够使用您在学位课程中获得的能力毫不费力地转移到数据科学。

除了课堂学习之外，您还可以通过创建应用程序、撰写博客或查看数据分析来了解更多信息，从而将您在课堂上学到的知识付诸实践。

R 编程

深入了解这些分析工具中的至少一种，R 更适合数据科学。 R 是一种编程语言，其创建时考虑到了数据科学。 您可以使用 R 来解决您遇到的任何数据科学问题。 事实上，43% 的数据科学家使用 R 来处理统计挑战。 另一方面，R 具有陡峭的学习曲线。

学习是具有挑战性的，特别是如果你已经知道一门计算机语言。 尽管如此，还是有很多在线工具可以帮助您开始使用 R，包括 Simplilearn 使用 R 编程语言进行数据科学培训。 对于崭露头角的数据科学家来说，它是一个极好的工具。

技术技能：计算机科学

Python 编码

Python 以及 Java、Perl 和 C/C++ 是我在数据科学角色中看到的最流行的编码语言。 对于数据科学家来说，Python 是一种优秀的编程语言。 这就是为什么，根据 O'Reilly 的一项调查，40% 的受访者使用 Python 作为他们的主要编程语言。

由于其多功能性，Python 几乎可以用于数据科学操作所需的所有阶段。 它接受多种数据类型，并允许您轻松地将 SQL 表导入代码中。 您可以使用它构建数据集，并且几乎可以在 Google 上找到所需的任何形式的数据集。

Hadoop平台

虽然它并不总是必要的，但在许多情况下强烈建议这样做。 如果您以前使用过 Hive 或 Pig，这也是一个加分项。 了解如何使用 Amazon S3 等云解决方案也会有所帮助。 根据众花 对 3490 个 LinkedIn 数据科学职位的调查，Apache Hadoop 是数据科学家第二重要的专业知识，评分为 49%。

作为一名数据科学家，您可能会发现自己处于数据量超过系统内存或需要将数据发送到其他服务器的场景中； 这就是 Hadoop 的用武之地。Hadoop 可用于将数据快速发送到系统的不同部分。 不过，这还不是全部。

不过，这还不是全部。 使用 Hadoop，数据探索、数据过滤、数据采样和数据汇总都是可能的。

SQL 数据库/编码

尽管 NoSQL 和 Hadoop 已成为数据科学的重要组成部分，但仍预计候选人可以开发和执行复杂的 SQL 查询。 SQL（结构化查询语言）是一种编程语言，可用于执行数据库操作，例如添加、删除和提取数据。 它还可以帮助执行分析操作和数据库结构的转换。

作为一名数据科学家，您必须精通 SQL。 这是因为创建 SQL 是为了帮助您访问、通信和处理数据。 当您使用它来查询数据库时，它会为您提供信息。

它具有简短的命令，可以节省您的时间并减少运行复杂搜索所需的代码量。 学习 SQL 将提高您对关系数据库的理解，并帮助您提升您作为数据科学家的职业生涯。

阿帕奇星火

Apache Spark 正迅速成为地球上使用最广泛的大数据工具。 它是一个类似 Hadoop 的大数据计算框架。 Spark 之间的唯一区别 和 Hadoop 是火花更快。 这是因为 Hadoop 读取和写入磁盘会减慢速度，而 Spark 会将其计算缓存在内存中。

Apache Spark 主要是为数据科学而创建的，以加速复杂算法的执行。 在处理大量数据时，有助于分散数据处理，从而节省时间。 它还帮助数据科学家处理大量的非结构化数据。 它可以在单台机器或一组机器上使用。

Apache Spark 允许数据科学家避免数据科学中的数据丢失。 Apache Spark 的优势在于它的速度和平台，这使得数据科学项目可以轻松完成。 您可以使用 Apache Spark 完成从数据收集到计算分发的所有工作。

机器学习和人工智能

大量数据科学家缺乏机器学习技术和主题方面的专业知识。 神经网络、强化学习、对抗性学习和其他技术就是这样的例子。 如果您想将自己与其他数据科学家区分开来，您需要熟悉机器学习技术，包括监督机器学习、决策树和逻辑回归等。 这些能力将帮助您根据重要的组织成果预测解决各种数据科学挑战。

另请阅读：人工智能：一种现代方法。

数据科学需要机器学习技术在各个领域的应用。 在 Kaggle 的一项调查中发现，只有一小部分数据专业人员精通高级机器学习技能，例如有监督和无监督机器学习、时间序列、自然语言处理、异常值检测、计算机视觉、推荐引擎、生存分析、强化学习和对抗性学习。

处理大量数据集是数据科学的要求。 机器学习是您应该注意的事情。

数据可视化

企业界定期生成大量数据。 此信息必须转换为易于解释的方式。 原始数据比图表形式的图像更难让人理解。 正如成语所说，“一张照片胜过一千个字”。

作为一名数据科学家，您需要能够使用 ggplot、d3.js 和 Matplotlib 等工具以及 Tableau 来可视化数据。 这些工具将帮助您将复杂的项目成果转换为易于理解的格式。 问题是许多人不熟悉序列相关或 p 值。 您必须以图形方式展示结果中这些术语的含义。

由于数据可视化，组织可以直接处理数据。 他们可以快速吸收信息，使他们能够利用新的业务机会并在竞争中保持领先地位。

非结构化数据

数据科学家处理非结构化数据的能力至关重要。 非结构化数据是不适合数据库表的非结构化信息。 视频、博客文章、客户评论、社交网络帖子、视频源和音频都是示例。 这是一个冗长的文本的集合。 因为它们不是流线型的，所以对这种类型的数据进行排序是很困难的。

由于其复杂性，大多数人将非结构化数据称为“黑色分析”。 使用非结构化数据可以让您发现可以帮助您做出更好决策的见解。 作为数据科学家，您必须能够分析和操作来自许多平台的非结构化数据。

非技术技能

求知欲

“我没有任何特殊的能力。 我之所以感兴趣，是因为我对此充满热情。” 阿尔伯特·爱因斯坦曾经说过：“没有好主意这回事。”

您最近可能经常听到这句话，尤其是与数据科学家有关的。 在几个月前他写的一篇客座博客中，Frank Lo 解释了它的含义并讨论了其他重要的“软人才”。

好奇心被描述为渴望更多地了解某事。 由于数据科学家将大约 80% 的时间用于获取和准备数据，因此作为数据科学家，您必须能够提出有关数据的问题。 这是因为数据科学的主题正在迅速发展，您需要学习更多才能跟上。

您应该通过阅读有关数据科学趋势的相关书籍和查看在线内容来保持最新的专业知识。 不要被互联网上流传的大量信息吓倒； 你必须能够理解这一切。 作为一名数据科学家，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数据中看不到任何洞察力。 好奇心将使您能够梳理数据以寻找答案和新信息。

商业头脑

要成为一名数据科学家，您必须全面了解您所在的行业，并了解您的组织试图解决的业务问题。 在数据科学方面，检测哪些问题对组织来说至关重要，以及确定公司可能利用其数据的新方式的能力至关重要。

为此，您必须首先了解您正在解决的问题可能如何影响组织。 这就是为什么您必须了解企业的​​运作方式，以便以适当的方式集中精力。

沟通技巧

寻找称职数据科学家的公司希望有人能够以清晰流畅的方式将他们的技术发现传达给非技术团队，例如营销或销售部门。 为了有效地管理数据，数据科学家必须使公司能够通过为他们提供定量见解以及了解其非技术同事的需求来做出决策。 有关定量专家沟通能力的更多信息，请参阅我们最新的快速调查。

您不仅必须使用与组织相同的语言进行交流，还必须使用数据讲故事。
作为一名数据科学家，您必须知道如何围绕数据进行叙述，以便于理解。 例如，显示统计数据表不如以叙述方式传达数据的见解那么成功。 讲故事将帮助您有效地将您的发现传达给您的老板。

在沟通时，请注意您分析的数据中嵌入的结果和值。 大多数企业主对了解您的发现不感兴趣。 相反，他们想知道这将如何使他们的公司受益。 学习以专注于提供价值和建立长期关系的方式进行沟通。

团队合作

数据科学家无法独自工作。 与公司高管合作制定战略，与产品经理和设计师合作以生产更好的产品，与营销人员合作推出转化效果更好的活动，以及与客户端和服务器软件开发人员合作创建数据管道和优化工作流程，这些都是您必须要做的事情。 您必须与公司中的每个人合作，包括您的消费者。

从本质上讲，您将与您的团队成员一起创建用例，以便您了解应对挑战所需的业务目标和数据。 您需要知道如何正确处理用例，需要哪些数据来解决问题，以及如何以每个人都能理解的方式翻译和呈现结果。

资源

高级学位——为了满足当前的需求，正在开发更多的数据科学学位，但也有许多数学、统计学和计算机科学课程可供选择。

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

认证– KDnuggets 列出了一份完整的清单。

训练营——查看 Datascope Analytics 数据科学家的这篇客座博客，了解有关此策略与学位课程或 MOOC 的比较的更多信息。

Kaggle – Kaggle 组织数据科学挑战，您可以在其中练习凌乱的真实数据并解决现实世界的业务问题。 Kaggle 排名受到雇主的重视，因为它们被认为是相关的、实践性的项目工作。

LinkedIn 群组——要与数据科学社区的其他成员交流，请加入相关群组。

Data Science Central 和 KDnuggets – Data Science Central 和 KDnuggets 是跟上数据科学行业趋势的绝佳资源。

Burtch Works 研究：数据科学家的薪水——如果您有兴趣了解有关当前数据科学家的工资和人口统计的更多信息，请下载我们的数据科学家薪水研究。

我确定我错过了一些东西，所以如果你知道对任何数据科学有希望的人有益的关键技能或资源，请在下面的评论中发布！