從現(xiàn)在起，做一名合格的數(shù)據(jù)科學(xué)家

“數(shù)據(jù)科學(xué)家”被譽(yù)為21世紀(jì)最性感的工作（Thomas Davenport和D.J. Patil在哈佛商業(yè)評論上曾發(fā)表的一篇文章中稱），但如何成為一個(gè)數(shù)據(jù)科學(xué)家？怎樣才能入門呢？許多的信息可能導(dǎo)致你認(rèn)為成為一個(gè)數(shù)據(jù)科學(xué)家需要全面的精通一些領(lǐng)域，比如軟件開發(fā)，數(shù)據(jù)整理，數(shù)據(jù)庫，統(tǒng)計(jì)學(xué)，機(jī)器學(xué)習(xí)和數(shù)據(jù)可視化。從我作為一個(gè)數(shù)據(jù)科學(xué)家的經(jīng)驗(yàn)來說，事實(shí)并非如此。你并不需要馬上學(xué)會(huì)一輩子受用的與數(shù)據(jù)相關(guān)的信息和技能。與之相反，你要學(xué)會(huì)仔細(xì)閱讀數(shù)據(jù)科學(xué)的職位描述，這將有助于申請那些你已經(jīng)擁有必要的技能的職位，或者學(xué)習(xí)特定的數(shù)據(jù)技能以適應(yīng)你想要的工作。

4種數(shù)據(jù)科學(xué)工作

“數(shù)據(jù)科學(xué)家”經(jīng)常是被用來形容完全不同的工作的一個(gè)總稱。這里有四種類型的數(shù)據(jù)科學(xué)工作：

數(shù)據(jù)科學(xué)家是住在舊金山（San Francisco）的數(shù)據(jù)分析師：

玩笑歸玩笑，其實(shí)在一些公司數(shù)據(jù)科學(xué)家是數(shù)據(jù)分析員的代名詞。你的工作可能包括從MySQL數(shù)據(jù)庫中提取數(shù)據(jù)，成為Excel數(shù)據(jù)透視表的高手以及生成最基本的數(shù)據(jù)可視化（如線和條形圖）。你可能偶爾分析一下A/ B測試的結(jié)果或負(fù)責(zé)公司的谷歌分析（Google Analytics） 賬戶。這樣的公司是一個(gè)有抱負(fù)的數(shù)據(jù)科學(xué)家學(xué)習(xí)入門技術(shù)的好地方。一旦你熟悉你的日常事務(wù)，這樣的公司可以為你創(chuàng)造一個(gè)嘗試新事物和擴(kuò)大新技能的環(huán)境。

請把我們的數(shù)據(jù)打包整理！

目前很多公司所處的狀態(tài)是，他們有大量的流量（日益龐大的數(shù)據(jù)量），他們在找人建立能幫他們向前發(fā)展的數(shù)據(jù)基礎(chǔ)設(shè)施，他們也找人來提供數(shù)據(jù)分析。你會(huì)看到這一類型的職位被列在“數(shù)據(jù)科學(xué)家”和“數(shù)據(jù)工程師”的職位列表里。因?yàn)槟闶堑谝粋€(gè)（或第一批之一）數(shù)據(jù)員工，可能比較容易出成果，所以你是一個(gè)統(tǒng)計(jì)專家或機(jī)器學(xué)習(xí)專家并不那么重要。一個(gè)擁有軟件工程背景的數(shù)據(jù)科學(xué)家可能更容易在這樣的公司有突出的表現(xiàn)，因?yàn)閷@樣的公司來說，更重要的是一個(gè)數(shù)據(jù)科學(xué)家能對產(chǎn)品代碼做出更有意義的數(shù)據(jù)類的貢獻(xiàn)并提供基本的見解和分析。在這樣的公司，對初級(jí)數(shù)據(jù)科學(xué)家指導(dǎo)的機(jī)會(huì)可能更少。因此，你就會(huì)有很大的機(jī)會(huì)大放異彩，并且在磨練中成長，但是由于缺乏指導(dǎo)，你可能會(huì)面臨更大的跌倒或停滯的風(fēng)險(xiǎn)。

我們就是數(shù)據(jù)，數(shù)據(jù)就是我們

還有許多公司，他們的數(shù)據(jù)（或他們的數(shù)據(jù)分析平臺(tái)）就是他們的產(chǎn)品。在這種情況下，數(shù)據(jù)分析或機(jī)器學(xué)習(xí)的任務(wù)就會(huì)非常繁重。這可能對一個(gè)有正式的數(shù)學(xué)，統(tǒng)計(jì)學(xué)或物理學(xué)背景并希望繼續(xù)走一條更學(xué)術(shù)的道路的人來說是更理想的環(huán)境。數(shù)據(jù)科學(xué)家在這樣的環(huán)境中可能更專注于生產(chǎn)大數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品，而不是回答公司業(yè)務(wù)問題。這一類的公司可能是面向消費(fèi)者的擁有海量數(shù)據(jù)的公司或者以提供數(shù)據(jù)為基礎(chǔ)的服務(wù)的公司。

大小合理的數(shù)據(jù)驅(qū)動(dòng)的非數(shù)據(jù)公司：

很多公司都屬于這一類。在這類公司中，你會(huì)加入一個(gè)由數(shù)據(jù)科學(xué)家組成的團(tuán)隊(duì)。你面試的公司關(guān)心數(shù)據(jù)，但可能不是一個(gè)數(shù)據(jù)公司。因此，進(jìn)行數(shù)據(jù)分析，了解產(chǎn)品代碼，將數(shù)據(jù)可視化等等，這些能力是同等重要的。一般來說，這些公司要么尋求通才，要么尋找一個(gè)能填補(bǔ)他們團(tuán)隊(duì)空缺的專才，比如數(shù)據(jù)可視化或機(jī)器學(xué)習(xí)方面的。面試這一類的公司的時(shí)候，比較重要的技能是熟悉“大數(shù)據(jù)”的專用工具（例如，Hive或Pig）以及有處理雜亂無章的真實(shí)數(shù)據(jù)集的經(jīng)驗(yàn)。

希望這能幫你了解“數(shù)據(jù)科學(xué)家”的含義是多么廣泛。以上四類公司在尋求擁有不同的技能，專長和經(jīng)驗(yàn)水平的人。盡管如此，所有這些工作職位可能都是“數(shù)據(jù)科學(xué)家”，所以密切關(guān)注職位描述可以幫你了解你將加入什么樣的團(tuán)隊(duì)以及需要哪些技術(shù)。

8項(xiàng)求職技能

基本工具：無論你面試什么類型的公司，他們都會(huì)期望你知道如何利用一些基本的行業(yè)工具，包括統(tǒng)計(jì)編程語言，如R或Python，以及數(shù)據(jù)庫查詢語言，如SQL。

基本統(tǒng)計(jì)學(xué)：至少對統(tǒng)計(jì)學(xué)有基本的理解，這一點(diǎn)對于一個(gè)數(shù)據(jù)科學(xué)家來說是至關(guān)重要的。有一個(gè)面試官曾對我說，他面試過的很多人甚至無法提供p值的正確定義。你應(yīng)該很熟悉統(tǒng)計(jì)檢驗(yàn)，分布，最大似然估計(jì)等。回想一下你的基本統(tǒng)計(jì)課程！機(jī)器學(xué)習(xí)方面也是同樣的情況，但是你的統(tǒng)計(jì)知識(shí)最大的作用是幫你理解各個(gè)技術(shù)是（或不是）一個(gè)有效的方法。在所有類型的公司中，統(tǒng)計(jì)學(xué)都是非常重要的，尤其是他們的產(chǎn)品不以數(shù)據(jù)為核心的數(shù)據(jù)驅(qū)動(dòng)的公司，產(chǎn)品的利益相關(guān)者將依靠你的幫助來做決策以及設(shè)計(jì)/評估實(shí)驗(yàn)。

機(jī)器學(xué)習(xí)：如果你在一家擁有大量數(shù)據(jù)的大公司，或者公司的產(chǎn)品本身是數(shù)據(jù)驅(qū)動(dòng)，那么你就要熟悉機(jī)器學(xué)習(xí)。這包括K-近鄰算法，隨機(jī)森林，集成方法 – 所有的機(jī)器學(xué)習(xí)流行語。事實(shí)上，很多這類的技術(shù)可以通過R或Python來實(shí)現(xiàn) – 也正因?yàn)槿绱?，即使你不是算法方面的?quán)威專家也沒關(guān)系，更重要的是要對算法有一個(gè)廣泛的了解并且真正理解應(yīng)該何時(shí)使用不同的技術(shù)。

多變量微積分和線性代數(shù)：實(shí)際上，你可能會(huì)在面試中被要求演算一些你在其它地方采用的機(jī)器學(xué)習(xí)或統(tǒng)計(jì)結(jié)果。即使不是如此，你的面試官可能會(huì)問你一些基本的多變量微積分或線性代數(shù)的問題，因?yàn)樗鼈兪呛芏鄶?shù)據(jù)分析技術(shù)的基礎(chǔ)。你也許會(huì)奇怪，為什么一個(gè)數(shù)據(jù)科學(xué)家需要了解這些東西，即使在sklearn或R中已經(jīng)有一堆現(xiàn)成的插入程序。答案是，在某些時(shí)候，一個(gè)數(shù)據(jù)科學(xué)團(tuán)隊(duì)需要建立他們自己的插入程序。理解這些概念在以數(shù)據(jù)定義其產(chǎn)品的公司顯得尤為重要，預(yù)測性能或算法優(yōu)化方面的小的改進(jìn)可以導(dǎo)致公司巨大的勝利。

數(shù)據(jù)整理：很多時(shí)候，你分析的數(shù)據(jù)是混亂的，難以處理的。正因?yàn)槿绱耍廊绾翁幚頂?shù)據(jù)缺陷是真正重要的。數(shù)據(jù)缺陷的一些例子包括缺失值，不一致的字符串格式（例如，“New York”,“new york”與“ny”），以及日期格式（“2014-01-01”與“01/01/2014”，UNIX時(shí)間與時(shí)間戳等）。如果你是一家小公司的最早的數(shù)據(jù)員工，或者在產(chǎn)品不是與數(shù)據(jù)相關(guān)的數(shù)據(jù)驅(qū)動(dòng)的公司，這項(xiàng)技能是最重要（特別是后者，往往因?yàn)檠杆僭鲩L而沒有太多的重視數(shù)據(jù)清洗）。不過，這項(xiàng)技能其實(shí)對每個(gè)人來說都很重要。

數(shù)據(jù)可視化與通信：可視化和數(shù)據(jù)通信是非常重要的，尤其是在第一次做數(shù)據(jù)驅(qū)動(dòng)決策的年輕公司，或者在數(shù)據(jù)科學(xué)家被看作是幫助別人做數(shù)據(jù)驅(qū)動(dòng)決策的公司。說到通信，這里是指用技術(shù)的和非技術(shù)的方式來向你的聽眾描述你的發(fā)現(xiàn)或技術(shù)原理。在可視化方面，熟悉數(shù)據(jù)可視化工具，是非常有幫助的。重要的是，不僅要熟悉必要的可視化數(shù)據(jù)的工具，而且要熟悉其背后的視覺編碼數(shù)據(jù)和傳輸信息的原理。

軟件工程：如果你要面試的是規(guī)模較小的公司，并且是第一批數(shù)據(jù)科學(xué)員工之一，那么有一個(gè)強(qiáng)大的軟件工程背景對你來說是重要的。你將負(fù)責(zé)處理大量的數(shù)據(jù)記錄，以及潛在的數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品的開發(fā)。

一個(gè)數(shù)據(jù)科學(xué)家的思維：公司希望看到你是一個(gè)（數(shù)據(jù)驅(qū)動(dòng)）的問題解決者。也就是說，在你面試的過程中，你可能會(huì)被問到一些高層次的問題 – 例如，該公司可能要運(yùn)行的一個(gè)測試，或想開發(fā)的一個(gè)數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品。重要的是要思考什么事情是重要的，什么事是不重要的。你，做為一個(gè)數(shù)據(jù)科學(xué)家，應(yīng)該怎么樣與工程師和產(chǎn)品經(jīng)理互動(dòng)？你應(yīng)該使用什么樣的方法？什么時(shí)候做近似評估是有意義？

數(shù)據(jù)科學(xué)仍然是新生的，不明確的一個(gè)領(lǐng)域。找工作的時(shí)候，就是要找到一家技能需求與你的技能相匹配并且有助于進(jìn)一步發(fā)展那些技能的公司。