数据分析师的自我修养丨如何进阶为数据科学家
有人问我,应该如何从数据分析师进阶为数据科学家呢?很简单,分三步:
1. 打开LinkedIn,登录。
2. 点击“编辑我的个人资料”。
3. 找到“数据分析师”,并用“数据科学家”替代。
完成!非常容易吧。
不幸的是,现实并不那么简单。
掌握必备的技能,从或多或少的数据中得出分析见解,这些都并非易事。
关于如何进入数据科学领域的文章有很多,但是关于从数据分析师转变为数据科学家的文章却很少。
在此之前,我们有必要分别给出这两个职业的定义。
数据分析师
对结构化数据进行收集、处理并应用统计算法,从而产生效益和改进决策。
数据科学家
数据科学家有类似的目标,但需要更强的能力,从而能处理大量的非结构化数据,很多情况下需要实时处理。
数据科学家需要发现重要信息,能够对不同来源的数据进行数据清理、处理并运行高级算法。同时,需要很强的沟通描述能力,以及可视化技能。
我经常会遇到许多优秀的数据分析师,他们非常想进阶为数据科学家,但苦于没有机会,或不知道该如何开始。这也是促使我写本文的原因之一。
为什么要成为数据科学家?
原因有很多,主要分为以下几点:
影响力
可能带来巨大的商业利益。更有机会得到领导层青睐,能够更好地提升发展方向。
技能
在快速发展的数据科学领域中,有许多问题需要被解决。例如,构建图像识别器或文本分类器识别社交媒体上的发布的违规言论。
竞争力
有人预测人工智能最终将取代人类的工作。为了保证自己工作,应该不断创新并提高竞争力,而不是等待被自动化取代。
发展机会
会有更多的发展机会,薪水提升空间也更大。目前优秀的数据科学家很少,市场需求量很大。
如何成为数据科学家?
大多数数据分析师都有很好的基础,但是应用先进的方法处理大型数据集需要多年的学习和经验积累。
那么,数据科学家需要哪些技能?
这个问题并没有正确的答案,复杂的数据科学项目涉及到许多专业技能。在投入数据科学领域的最初几年,最好掌握以下技能:
数据科学语言:Python / R
关系数据库:MySQL、Postgress
非关系数据库:MongoDB
机器学习模型:回归、提升树支持向量机(Boosted Trees SVM), 神经网络
绘图:Neo4J、GraphX
云:GCP / AWS / Azure
API 交互:OAuth、Rest
专业领域:自然语言处理、OCR和计算机视觉
提升树模型在数据科学竞赛中很受欢迎
RShiny仪表板是不错的探索数据交互方式
掌握这些技能需要大量的时间(可能比获得专业学位更久)。但每个人都不能满足现状,必须不断学习。如果我们每天能进步一点,那么在未来某天就能达到自己的预期目标。
决心和坚韧有时比聪明才智能有用。
行动计划
首先我们需要一些基本技能:
1. 从正确的理念开始
十年前,等待数据课程的资料可能需要数周的时间,但那些日子已经一去不回。如今到处都有很棒的学习资源,我们需要不断学习,不断提升技能。
2. 学习一门语言并培养数学技能
可以选择学习Python或R语言。Coursera和Udemy等网站上有大量免费课程。吴恩达的机器学习课程和斯坦福大学的神经网络课程都非常棒,而且很有趣。
许多Python用户喜欢使用Anaconda和Jupyter Notebook。许多R用户喜欢用R Studio。
3. 解决实际问题
尝试解决工作中的实际问题,与商业专家和数据工程师一起工作。
4. 参加Kaggle比赛
Kaggle任务有一定范围,而且数据比较干净,但能很好的提高建立模型技能,同时能与几千人一起解决挑战性的数据问题。不要担心排名,从零开始。
5. 了解行业大神的动向
可以关注Geoffrey Hinton、吴恩达、Yann LeCun、Rachel Thomas、Jeremy Howard等人。
6. 使用高效的工作方式
积累一定基础后,使用GitHub等版本控制系统改进自己的工作流程,以便进行部署和代码维护,还可以使用Docker。
7. 有效地沟通
我们需要展现自己的工作成果,在跟领导层汇报工作时,需要有效地利用演示文稿等中。
良好的工作环境
即使你掌握了许多技能,但如果所在的公司没有合适的工具和环境,那么开展工作也是很困难的。工作环境中总会存在些不可控的因素,因此我们要考虑哪些因素可以改善和利用。
1. 转到合适的团队
大多数大中型企业至少有一个小型数据科学团队,因此要选择合适的企业。
2. 与合适的人合作
如果换工作不太现实,那么设法与出色的数据科学家合作。例如,发现相关问题,与专业人员合作解决,而不是委托他们解决。
3. 适当的工具和环境
企业有时不太明确该如何数据科学工具进行投入。有些企业制定计划和投入过程比较繁琐,因此只会优先考虑收益明显的商业案例。抓住机会,倡导对分析环境、工具、相关培训的投入。
4. 制定明确的用例
了解公司的业务以及能如何应用数据科学,将这两者联系起来,制定明确的用例。
5. 与更优秀的人合作
努力成为优秀团队中的一员,你不仅会收获地更多,还能学到很多自己为掌握的知识。
结语
如果你也想进阶为数据科学家,那么现在就是开始的最佳机会,立即开始学习,尽快解决实际问题。在学习的过程中,你会不断提升自己,最终让自己大吃一惊,要珍惜每个机会。
数据分析咨询请扫描二维码
自学数据分析可能是一条充满挑战却又令人兴奋的道路。随着数据在现代社会中的重要性日益增长,掌握数据分析技能不仅能提升你的就 ...
2024-11-14数据分析相关职业选择 数据分析领域正在蓬勃发展,为各种专业背景的人才提供了丰富的职业机会。从初学者到有经验的专家,每个人 ...
2024-11-14数据挖掘与分析在金融行业的使用 在当今快速发展的金融行业中,数据挖掘与分析的应用愈发重要,成为驱动行业变革和提升竞争力的 ...
2024-11-14学习数据挖掘需要掌握哪些技能 数据挖掘是一个不断发展的领域,它结合了统计学、计算机科学和领域专业知识,旨在从数据中提取有 ...
2024-11-14统计学作为一门基于数据的学科,其广泛的应用领域和多样的职业选择,使得毕业生拥有丰厚的就业前景。无论是在政府还是企业,统计 ...
2024-11-14在当今高速发展的技术环境下,企业正在面临前所未有的机遇和挑战。数字化转型已成为企业保持竞争力和应对市场变化的必由之路。要 ...
2024-11-13爬虫技术在数据分析中扮演着至关重要的角色,其主要作用体现在以下几个方面: 数据收集:爬虫能够自动化地从互联网上抓取大量数 ...
2024-11-13在数据分析中,数据可视化是一种将复杂数据转化为图表、图形或其他可视形式的技术,旨在通过直观的方式帮助人们理解数据的含义与 ...
2024-11-13在现代银行业中,数字化用户行为分析已成为优化产品和服务、提升客户体验和提高业务效率的重要工具。通过全面的数据采集、深入的 ...
2024-11-13在这个数据飞速增长的时代,企业若想在竞争中占据优势,必须充分利用数据分析优化其营销策略。数据不仅有助于理解市场趋势,还可 ...
2024-11-13数据分析行业的就业趋势显示出多个积极的发展方向。随着大数据和人工智能技术的不断进步,数据分析在各行各业中的应用变得越来越 ...
2024-11-13市场数据分析是一门涉及多种技能和工具的学科,对企业在竞争激烈的市场中保持竞争力至关重要。通过数据分析,企业不仅可以了解当 ...
2024-11-13数据分析与数据挖掘是数据科学领域中两个关键的组成部分,它们各有独特的目标、方法和应用场景。尽管它们经常在实际应用中结合使 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13作为一名业务分析师,你肩负着将业务需求转化为技术解决方案的重任。面试这一角色时,涉及的问题多种多样,涵盖技术技能、分析能 ...
2024-11-13自学数据分析可能看似一项艰巨的任务,尤其在开始时。但是,通过一些策略和方法,你可以系统地学习和掌握数据分析的相关知识和技 ...
2024-11-10Excel是数据分析领域中的一款强大工具,它凭借其灵活的功能和易用的界面,成为了许多数据分析师和从业者的首选。无论是简单的数 ...
2024-11-10在快速发展的商业环境中,数据分析能力已经成为许多行业的核心竞争力。无论是初学者还是经验丰富的专家,搭建一个有效的数据分析 ...
2024-11-10在如今的数据驱动世界,数据分析师在各行各业中扮演着至关重要的角色。随着企业越来越依赖数据决策,数据分析职位的需求不断增加 ...
2024-11-10