想入门数据科学领域？明确方向更重要

做者 | Jeremie Harris

翻译 | Mika

CDA 数据分析师原创做品，转载需受权

我在一家数据科学培训公司工做。对于学员，我经常给出的建议并非推荐库或者工具，而是让他们首先明确本身想成为何样的数据科学家，肯定本身的方向。

当中的缘由在于，数据科学并非单一且定义明确的领域，公司并不会雇用所谓的全能型数据科学家，而是会选择有拥专业技能的我的。

为了更好的理解，假设大家公司想聘请数据科学家。那么，大家确定有明确的问题须要解决，而这须要具体的技术知识和专业知识。例如，有些公司将简单模型应用于大型数据集；有些公司将复杂模型应用于小型模型；有些公司须要动态训练模型；有些公司根本不使用（传统）模型。

以上这些都须要彻底不一样的技能。对于想进入数据科学领域的人群收到的建议每每是：学习使用Python，构建分类/回归/聚类等项目在开始找工做，这实际上是不太合理的。

数据科学家在工做中承担了不少责任。人们会将过多的内容纳入“数据科学”的范畴。为生产构建强大的数据管道，这应该是数据科学方面的问题。开发一种新的神经网络，这应该是数据科学方面的问题。

这种现象并很差，由于这会让有抱负的数据科学家失去方向和对特定问题的关注。

为了不成为全能型数据科学家，再次以前让咱们先了解数据科学领域主要有哪些职位，以及他们经常被混淆的缘由：

1. 数据工程师

职位描述

为处理大量数据的公司管理数据管道。这意味着在数据须要从源头进行有效地收集和检索，并且在使用前须要进行清理和预处理。

重要性

若是你只使用过存储在.csv或.txt文件中的相对较小的数据集(小于5G)，那么你可能很难理解为何须要专人维护数据管道。

当中的缘由在于：1）计算机很难承载大小为50 G的数据集，所以须要以其余方式将其提供给模型；2）大量数据可能须要花费大量时间来处理，而且常常须要冗余存储。进行管理存储须要专业的技术知识。

技能要求

你须要使用Apache Spark、Hadoop、Hive和Kafka。还须要有扎实的SQL的基础。

处理的问题

如何构建每分钟能处理1万个请求的管道？

如何在不将其所有加载到RAM的状况下清理该数据

..]

2. 数据分析师

职位描述

将数据转化为可操做的商业看法。你一般会成为技术团队和商业策略业，销售或营销团队之间的中间人。数据可视化是你平常工做的重要组成部分。

重要性

有些人很难理解为何数据分析师如此重要，但他们确实如此。数据分析师须要将通过训练和测试的模型，以及大量用户数据转换为易于理解的格式，以便转化为围商业策略。数据分析师帮助确保数据科学团队不会浪费时间来解决没法提供商业价值的问题。

技能要求

技能包括Python，SQL，Tableau和Excel。你还须要出色的沟通能力。

处理的问题

是什么带来了用户增加？

如何向管理层解释最近的使用费让用户望而却步？

3. 数据科学家

职位描述

清理和探索数据集，并进行能带来商业价值的预测。你的平常工做包括训练和优化模型，并将其部署到生产中。

重要性

当你有大量难以被解析的数据，你须要从中提取出可理解的分析看法。这是数据科学家的基本工做：将数据集转换为易于理解的结论。

技能要求

包括Python、scikit-learn、Pandas、SQL、也许还须要掌握Flask、Spark、TensorFlow、PyTorch。有些数据科学职位纯粹是技术性的，但大多数人要求你具有必定的商业意识。

处理的问题

咱们有多少种不一样的用户类型？

是否能创建一个模型来预测哪些产品将销售给哪些用户？

4. 机器学习工程师

职位描述

构建、优化机器学习模型，以及部署到生产。你的工做离不开机器学习模型，并且须要将其放入全栈应用程序或硬件中，但也须要本身设计模型。

技能要求

须要掌握Python、Javascript、scikit-learn，TensorFlow 、PyTorch，以及SQL或MongoDB。

处理的问题

如何将此Keras模型集成到咱们的Javascript应用程序中？

如何减小推荐系统的预测时间和预测成本？

5. 机器学习研究员

职位描述

找到解决数据科学和深度学习中的挑战性问题的新方法。你不会使用开箱即用的解决方案，而是须要建立解决方案。

技能要求

须要用到Python、TensorFlow、PyTorch和SQL。

处理的问题

如何将模型的准确性提升到最高水平？

自定义优化器有助于减小训练时间吗？

结语

我在这里列出的五个职位绝对不是孤立的。例如，在早期创业公司，数据科学家也须要充当数据工程师或数据分析师的角色。可是大多数工做会按类别分类，公司规模越大，类别则越具体。

总的来讲，为了找到心仪的工做，你须要明确具体的方向。若是你想成为一名数据分析师，就不用学习TensorFlow；若是你想成为一名机器学习研究员，那么不用先学Pyspark。

能够思考一下你但愿为公司带来哪方面的价值，并朝着这个方向努力，这是入门的最佳方式。