数据分析师的自我修养,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。

数据分析师的自我修养,如何进阶为数据科学家

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

分布式计算:Hadoop、Spark

云:GCP / AWS / Azure

API 交互: OAuth、Rest

数据可视化和网页应用:D3、RShiny

专业领域:自然语言处理、OCR和计算机视觉

数据分析师的自我修养,如何进阶为数据科学家

提升树模型在数据科学竞赛中很受欢迎

数据分析师的自我修养,如何进阶为数据科学家

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。

原文发布时间为:2018-07-26
本文作者:Ben Stanbury
本文来自云栖社区合作伙伴“ CDA数据分析师”,了解相关信息可以关注“ CDA数据分析师

上一篇:[Linux发行版] 常见Linux系统下载


下一篇:一个用于网站自动化测试的生态系统实现