作者 | Jeremie Harris

翻譯 | Mika

CDA 數(shù)據(jù)分析師原創(chuàng)作品，轉(zhuǎn)載需授權(quán)

我在一家數(shù)據(jù)科學(xué)培訓(xùn)公司工作。對(duì)于學(xué)員，我常常給出的建議并不是推薦庫(kù)或者工具，而是讓他們首先明確自己想成為什么樣的數(shù)據(jù)科學(xué)家，確定自己的方向。

當(dāng)中的原因在于，數(shù)據(jù)科學(xué)并不是單一且定義明確的領(lǐng)域，公司并不會(huì)雇用所謂的全能型數(shù)據(jù)科學(xué)家，而是會(huì)選擇有擁專業(yè)技能的個(gè)人。

為了更好的理解，假設(shè)你們公司想聘請(qǐng)數(shù)據(jù)科學(xué)家。那么，你們肯定有明確的問(wèn)題需要解決，而這需要具體的技術(shù)知識(shí)和專業(yè)知識(shí)。例如，有些公司將簡(jiǎn)單模型應(yīng)用于大型數(shù)據(jù)集；有些公司將復(fù)雜模型應(yīng)用于小型模型；有些公司需要?jiǎng)討B(tài)訓(xùn)練模型；有些公司根本不使用（傳統(tǒng)）模型。

以上這些都需要完全不同的技能。對(duì)于想進(jìn)入數(shù)據(jù)科學(xué)領(lǐng)域的人群收到的建議往往是：學(xué)習(xí)使用Python，構(gòu)建分類/回歸/聚類等項(xiàng)目在開(kāi)始找工作，這其實(shí)是不太合理的。

數(shù)據(jù)科學(xué)家在工作中承擔(dān)了很多責(zé)任。人們會(huì)將過(guò)多的內(nèi)容歸入“數(shù)據(jù)科學(xué)”的范疇。為生產(chǎn)構(gòu)建強(qiáng)大的數(shù)據(jù)管道，這應(yīng)該是數(shù)據(jù)科學(xué)方面的問(wèn)題。開(kāi)發(fā)一種新的神經(jīng)網(wǎng)絡(luò)，這應(yīng)該是數(shù)據(jù)科學(xué)方面的問(wèn)題。

這種現(xiàn)象并不好，因?yàn)檫@會(huì)讓有抱負(fù)的數(shù)據(jù)科學(xué)家失去方向和對(duì)特定問(wèn)題的關(guān)注。

為了避免成為全能型數(shù)據(jù)科學(xué)家，再次之前讓我們先了解數(shù)據(jù)科學(xué)領(lǐng)域主要有哪些職位，以及他們常常被混淆的原因：

1. 數(shù)據(jù)工程師

> 職位描述

為處理大量數(shù)據(jù)的公司管理數(shù)據(jù)管道。這意味著在數(shù)據(jù)需要從源頭進(jìn)行有效地收集和檢索，而且在使用前需要進(jìn)行清理和預(yù)處理。

> 重要性

如果你只使用過(guò)存儲(chǔ)在.csv或.txt文件中的相對(duì)較小的數(shù)據(jù)集(小于5G)，那么你可能很難理解為什么需要專人維護(hù)數(shù)據(jù)管道。

當(dāng)中的原因在于：1）計(jì)算機(jī)很難承載大小為50 G的數(shù)據(jù)集，因此需要以其他方式將其提供給模型；2）大量數(shù)據(jù)可能需要花費(fèi)大量時(shí)間來(lái)處理，并且經(jīng)常需要冗余存儲(chǔ)。進(jìn)行管理存儲(chǔ)需要專業(yè)的技術(shù)知識(shí)。

> 技能要求

你需要使用Apache Spark、Hadoop、Hive和Kafka。還需要有扎實(shí)的SQL的基礎(chǔ)。

> 處理的問(wèn)題

如何構(gòu)建每分鐘能處理1萬(wàn)個(gè)請(qǐng)求的管道？

如何在不將其全部加載到RAM的情況下清理該數(shù)據(jù)集？

2. 數(shù)據(jù)分析師

> 職位描述

將數(shù)據(jù)轉(zhuǎn)化為可操作的商業(yè)見(jiàn)解。你通常會(huì)成為技術(shù)團(tuán)隊(duì)和商業(yè)策略業(yè)，銷售或營(yíng)銷團(tuán)隊(duì)之間的中間人。數(shù)據(jù)可視化是你日常工作的重要組成部分。

> 重要性

有些人很難理解為什么數(shù)據(jù)分析師如此重要，但他們確實(shí)如此。數(shù)據(jù)分析師需要將經(jīng)過(guò)訓(xùn)練和測(cè)試的模型，以及大量用戶數(shù)據(jù)轉(zhuǎn)換為易于理解的格式，以便轉(zhuǎn)化為圍商業(yè)策略。數(shù)據(jù)分析師幫助確保數(shù)據(jù)科學(xué)團(tuán)隊(duì)不會(huì)浪費(fèi)時(shí)間來(lái)解決無(wú)法提供商業(yè)價(jià)值的問(wèn)題。

> 技能要求

技能包括Python，SQL，Tableau和Excel。你還需要出色的溝通能力。

> 處理的問(wèn)題

是什么帶來(lái)了用戶增長(zhǎng)？

如何向管理層解釋最近的使用費(fèi)讓用戶望而卻步？

3. 數(shù)據(jù)科學(xué)家

> 職位描述

清理和探索數(shù)據(jù)集，并進(jìn)行能帶來(lái)商業(yè)價(jià)值的預(yù)測(cè)。你的日常工作包括訓(xùn)練和優(yōu)化模型，并將其部署到生產(chǎn)中。

> 重要性

當(dāng)你有大量難以被解析的數(shù)據(jù)，你需要從中提取出可理解的分析見(jiàn)解。這是數(shù)據(jù)科學(xué)家的基本工作：將數(shù)據(jù)集轉(zhuǎn)換為易于理解的結(jié)論。

> 技能要求

包括Python、scikit-learn、Pandas、SQL、也許還需要掌握Flask、Spark、TensorFlow、PyTorch。有些數(shù)據(jù)科學(xué)職位純粹是技術(shù)性的，但大多數(shù)人要求你具備一定的商業(yè)意識(shí)。

> 處理的問(wèn)題

我們有多少種不同的用戶類型？

是否能建立一個(gè)模型來(lái)預(yù)測(cè)哪些產(chǎn)品將銷售給哪些用戶？

4. 機(jī)器學(xué)習(xí)工程師

> 職位描述

構(gòu)建、優(yōu)化機(jī)器學(xué)習(xí)模型，以及部署到生產(chǎn)。你的工作離不開(kāi)機(jī)器學(xué)習(xí)模型，而且需要將其放入全棧應(yīng)用程序或硬件中，但也需要自己設(shè)計(jì)模型。

> 技能要求

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

> 處理的問(wèn)題

如何將此Keras模型集成到我們的Javascript應(yīng)用程序中？

如何減少推薦系統(tǒng)的預(yù)測(cè)時(shí)間和預(yù)測(cè)成本？

5. 機(jī)器學(xué)習(xí)研究員

> 職位描述

找到解決數(shù)據(jù)科學(xué)和深度學(xué)習(xí)中的挑戰(zhàn)性問(wèn)題的新方法。你不會(huì)使用開(kāi)箱即用的解決方案，而是需要?jiǎng)?chuàng)建解決方案。

> 技能要求

需要用到Python、TensorFlow、PyTorch和SQL。

> 處理的問(wèn)題

如何將模型的準(zhǔn)確性提高到最高水平？

自定義優(yōu)化器有助于減少訓(xùn)練時(shí)間嗎？

結(jié)語(yǔ)

我在這里列出的五個(gè)職位絕對(duì)不是孤立的。例如，在早期創(chuàng)業(yè)公司，數(shù)據(jù)科學(xué)家也需要充當(dāng)數(shù)據(jù)工程師或數(shù)據(jù)分析師的角色。但是大多數(shù)工作會(huì)按類別分類，公司規(guī)模越大，類別則越具體。

總的來(lái)說(shuō)，為了找到心儀的工作，你需要明確具體的方向。如果你想成為一名數(shù)據(jù)分析師，就不用學(xué)習(xí)TensorFlow；如果你想成為一名機(jī)器學(xué)習(xí)研究員，那么不用先學(xué)Pyspark。

可以思考一下你希望為公司帶來(lái)哪方面的價(jià)值，并朝著這個(gè)方向努力，這是入門的最佳方式。