必须具备数据科学家的技能

自从Burtch Works的Linda Burtch写了9篇必须成为数据科学家的必备技能之后的一年半,这篇文章概述了数据科学成功所需的分析性,计算机科学和非技术性技能,用一些资源来获得和提高这些技能。虽然这篇文章仍然相关且颇受欢迎,但考虑到过去18个月数据科学发展的方向,我认为我会考虑更新它。

我的方法与Linda的方法有所不同,Linda的方法是提炼一些分析专业人员的意见,并与之交谈,考虑如何将他们的技能应用到数据科学领域。基于对趋势的观察,文章的内容,观点的流行以及与在该领域职业发展的不同职位上的一些个人的讨论。请把这个作为额外的信息采取劝告,而不是任何形式的明确建议。

非技术性的技能

 
1.教育

Burtch提供了一些与数据科学家的教育水平相关的数据,表明88%的数据科学家至少拥有硕士学位。Burtch没有明确提供她的来源,但我只能假设它来自她的公司的广泛研究,我不会直接相互矛盾。我所要提供的是数据科学是一个令人难以置信的多样化的领域,对于它甚至没有真正的共识。我相信人们会不同意这个观点,但是当我听到数据科学家这个词的时候,我倾向于想到独角兽以及它所需要的一切,然后记住它们不存在,实际的数据科学家在组织中扮演着许多不同的角色,具有不同程度的业务,技术,人际关系,沟通和领域技能。如果我们回想起机器学习科学家,数据分析师,数据工程师,Hadoop管理员以及以分析为重点的MBA等不同的角色经常被定义,那么很容易确定数据科学将会有很多的路径。公平地说,Burtch对数据科学家的定义,以及他们的教育水平,可能与我的差异很大。

也就是说,那些认为自己是数据科学家的人可能有更多种类的教育水平为此,2015年由自我报告数据组成的“堆栈溢出开发者调查”提供了以下内容,例如:

诚然,这是一个单一的快照,根据这个单一的数据得出结论是愚蠢的。然而,外带是进一步的证据来支持没有一条“正确的”数据科学路径的想法; 人们来自学术界,工业界,计算机科学,统计学,物理学,其他硬科学,工程学,建筑学......他们拥有博士学位,硕士学位,本科学位,有的甚至是自我训练的)。不要让任何人阻止你追求“数据科学”,也不要让任何人告诉你必须做X才能成为一个。找出你想要填补的数据科学领域,并寻求可以接受的培训和教育。而且现实一点:你可能渴望DeepMind的首席科学家,但与MOOCs和一些教科书的自学可能不会做到这一点。但这并不意味着用MOOCs和一些教科书进行自我学习是不会得到你的数据科学有趣的地方如果轶事是值得信赖的,它会定期发生。

2.好奇心

这一点要求少得多。简单地说:如果你没有好奇心,数据科学不适合你。下一个。

3.领域知识/商业头脑

无论我们是在讨论理论上的独角兽,还是与数据科学专业外围的人更接近,你都需要对你正在工作的领域有所了解,从分析上来说。甚至考虑纯粹的技术角色:如果你正在为一个组织开发算法,流水线或工作流程,而没有对行业的基本原理和公司目标的充分理解,你将无法适当地利用你的技术能力从长远来看有所作为。让我们面对现实有所作为的是数据科学是关于什么的。

4.沟通技巧

再次,这不难理解。数据科学的人需要真正的沟通,好的等等。

Burtch在她之前的文章中总结了这个原因:“数据科学家必须使企业能够通过量化的见解来武装他们,除了理解他们的非技术同事的需求以便争夺数据适当“。繁荣。

5.职业测绘/目标

这与技巧1,教育和培训有关。我们再来想一想独角兽。他或她可以在自己的领域知识范围内完成对任何公司的分析或行政职位。真正的独角兽(从此以后,Trunicorn)也将得到巨额的保证。但是,你可能不是独角兽,永远也不会(有没有独角兽?),所以你需要规划你的职业道路,并执行这个计划。

如果你想永久保持更多的技术角色,计划将这些技术技能保持在最佳状态。如果你想跨越一个角色,涉及更多的客户互动,然后刷你的沟通和演讲技巧。如果你认为自己的利基正在设计和管理大数据处理解决方案,那就让你的Apache开始吧!好的东西不等待那些等待的人; 那些设计出根植于实际的详细行动计划,然后执行上述计划的人会有好的结果。

你可能感兴趣的:(数据分析)