谈谈数据科学教育-送给即将毕业的同学们：成为未来数据科学家需要的5项基础技能建议

来源：Talking Data 硅谷办公室

【作者】Alex Woodie

【编译】李鹏鹏

本篇文章由Talking Data 硅谷办公室的李鹏鹏同学编译，重点谈了成为一个未来合格的数据科学家需要打好的基础，希望各位同学们认真学习。

随着公司组织不断的探索数据商业化的新方法，所有人对数据科学家的需求也呈上升趋势。 那些希望找到顶尖数据科学工作的人需具备很好的教育背景。那么在校生需要修哪些课程才能为他们的数据科学职业生涯做好准备呢？ 我们就这个问题采访了硅谷的一些分析专家。

基于Glassdoor 最新的排名， 数据科学家是目前全美排名第一的职位。从年薪11万美元（基础工资） 和将近4200个职位缺口看，这一职位目前是供不应求的。 事实上，全美有4/5的热门职位都跟数据科学有关系，这些职位包括开发工程师，数据工程师和数据分析经理。

美国的很多大学在对数据科学人才不断增长的大趋势下创建了正规的数据科学的学位项目，包括硕士和博士。相信在不久的将来，越来越多的大学会把数据科学独立出来成立专门的院系去进行数据科学的教育和研究。

对于很多学生来说，为数据科学职业生涯打下良好的教育基础需要有远见和计划性。好消息是，大多数学校都设立了数据科学职位相关的关键课程。

作为LinkedIn人工智能部门的主任， Romer Rosales 最近就本科生如何为数据科学职业做准备分享了几个建议。

1. 数据和计算机科学

Rosales说， 具备数学和计算机科学的知识是为数据科学职业做准备的最好的途径。他说：“数学和计算机科学是非常关键的。 如果你希望成为一个专家，这两个领域的知识极为重要。”

掌握了数学和分布式系统的知识，一个未来的数据科学家并不需要具备掌握机器学习所需的基本技能。他说：”许多机器学习算法的开发和分析依赖于像线性代数或微积分一样的核心知识。“了解分布式系统如何工作将有助于数据科学家构建能够处理海量数据的预测性的应用程序。

Rosales说 ：“很多机器学习都需要处理大量的数据， 有效处理越来越复杂问题的能力很大程度上取决于将计算效率分布于多台机器上的能力。分布式系统的背景将对你有极大的帮助“。

2. 统计和信息论

Rosales说 ：“统计和概率论对于数据科学来说也非常重要。机器学习会用到很多概率知识。许多问题都是以概率的形式呈现的。”

Rosales说：“另一个对本科生的数据科学职业生涯非常有价值的课程是信息论。这一课程在大学里通常是由计算机科学学院开设的，它有助于更好地理解机器学习的原理，包括其局限性。”

”能够衡量变量的不确定水平、由此计算出这个变量是如何对其他变量产生影响的对于增长机器学习的专业知识非常关键”， Rosales说， “比如，学生将会问这样的问题：基于我对一个实体了解的信息，我能把它分类成黑或白，A或B吗？我能辨别我现在看着的这个实体是否是一个人吗？”

“机器学习中可能的许多局限性可以与某种形式的信息理论相联系”，Rosales说，“我并不是说这是申请机器学习所必须的，但是如果你真想深入的了解 机器学习，那么信息论是极其有用的。”

3. 优化(Optimization)

“扎实的优化基础对未来的数据科学家也是非常重要的，因为这有助于他们更好地理解机器学习算法。” Rosales说。

“许多机器学习项目都与优化相关”，他说，“优化还对理解为什么从计算角度解决一些问题比从另外一些角度更容易解决非常有用。 在优化领域有一系列理论会非常严谨地告诉你，为什么有些问题需要指数级的时间去优化解决，而有一些则可以在二次或多项式时间内解决。”

如果你没有修过优化课程，你可能没有机会去参加大数据的会议，这也正体现了优化对于大规模现实世界的机器学习应用程序的重要性。”优化的基础知识不仅可以帮你制定问题，还可以帮助你了解可扩展性的限制，或者解决你的问题的方式。” Rosales说。

4. 软实力(soft skills)很重要

“像数学和计算机科学这样的“硬实力”固然重要，但我们不能忽视“软实力”对于数据科学成功的重要性。”Qubole的CEO和联合创始人Ashish Thusoo说。

“一个数据科学家要想获得成功，须同时具备软社交技能和硬技术技能”， Thusoo说，“对于数据科学的学生来说，与懂技术同等重要的是学习怎样在团队中工作，怎样合作以及培训他人。”

拥有像好奇心、创造力、解决问题的能力、沟通和合作这些软技能将无形地帮助学生成为一个成功的数据科学家。“伟大的数据科学家将迅速重复，从各种角度看待问题，找到创造见解和回答问题的最佳方法。” Thusoo说。

5. 终生学习

Thusoo强调数据科学专业的学生应该联系ABLE(Always Be Learning and Educating)。 “ 数据科学仍是一个新兴的领域，所以实践者们应该随时更新他们的知识和技能，并且把这些前沿技术传递给他人。”他说。

“即使是你不想成为一个从头实现机器学习算法的数据科学家，扎实的分析基础将对你的职业生涯非常有益。” Thusoo说。

”数据科学领域的教育将飞速发展“， 他说，“数据科学成为只有一小部分学生的专业课程的时代已经过去了。事实上，已经工作的每一个人都应该具备某种类型的数据分析技能。大学需要使数据分析技能成为强制性毕业要求，就像编程已经成为核心课程的一部分一样。”