作者 Ben Stanbury
编译 Mika
本文为 CDA 数据分析师原创作品,转载需授权
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化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
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。
* 精通
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。
* 相关性
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,而不是等待被自动化取代。
* 加薪与发展机会
薪水和发展机会会得到提升,优秀的数据科学家很少,需求量很大。
数据科学——需要学习很多技能
机器人取代人类工作
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?
这个问题可能没有正确的答案,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
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
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20