Size veri bilimi öğrenimiyle ilgili 12 önemli ipucu gönderin (bağlantılar)
Kaynak: Artinspiring / Dreamstime.com
Çeviri: Guoxiangjie
Redaksiyon: Ding Nanya
Bu makale hakkında 3000 kelime 6 dakika okumanız tavsiye edilir.
Bu makale, bir veri bilimcisi olarak ustalaşmanız gereken iletişim becerileri ve diğer sosyal becerilerle ilgili bilgileri size tanıtır.
Özet: Veri bilimcilerin güçlü matematik ve kodlama becerilerine ihtiyacı vardır, ancak iletişim becerileri ve diğer sosyal beceriler de başarı için gereklidir.
Glassdoor'un ABD'deki istatistiklerine göre, "Veri Bilimcisi" 2019'daki en çekici iş olarak yer alıyor. Ortalama taban maaş 108.000 $, iş tatmini 4.3-5 ve tahmin edilen çok sayıda açık iş var, bu sonuç hiç de şaşırtıcı değil.
Asıl soru, doğru yolda ilerlemek ve iş için kalifiye olmak için bir uygulama nasıl olmalıdır?
Cevabı bulmak için makalede, çoğu kodlama ve matematikte zor beceriler olarak özetlenebilecek birçok öneriyi özetledik. Ancak güçlü bilgi işlem gücü hepsi değil. Mükemmel bir veri bilimcisinin hala ilgili işletme personeli ile etkili bir şekilde iletişim kurması gerekiyor ve burada bazı yumuşak becerilere ihtiyaç var.
NYC Data Science Academy'de bir veri bilimcisi olan Drace Zhan, kodlama temeli ve matematiksel yetenek de dahil olmak üzere eğitim temelinin gerekliliğini vurguladı:
NYC Veri Bilimi Akademisi: https://nycdatascience.com/- R / Python + SQL. Kodlama yeteneğiniz yoksa, bu kusuru tamamlamak için İnternet gibi diğer alanlarda çok fazla güce ihtiyacınız vardır. Matematik becerileri zayıf veya ilgili alanlarda deneyimi olmayan bazı veri bilimcileriyle tanıştım, ancak her zaman güçlü kodlama becerilerine sahipler. Python ideal, R biraz geride kalıyor, en iyisi her iki silahı da getirmek. Veri analistleri için SQL de son derece önemlidir.
- Güçlü matematiksel yetenek. Yaygın olarak kullanılan bazı teorileri iyi anlayın: genelleştirilmiş doğrusal modeller (genelleştirilmiş doğrusal modeller), karar ağaçları (karar ağaçları), K-ortalamaları (küme analizi) ve istatistiksel testler (hipotez testi). Bu, çok sayıda modeli veya hatta Tekrarlayan Sinir Ağları (RNN) gibi profesyonel modelleri tutmaktan daha iyidir, ancak bu sadece bir zevktir.
Bazı uzmanlar başka şeyler eklemiş olsa da bunlar, geliştirilmesi gereken temel becerilerdir. Örneğin, bir KDnuggests listesi kodlama bileşenlerini içerir ve Zhan, Hadoop platformu, Apache Spark, veri görselleştirme, yapılandırılmamış veriler, makine öğrenimi ve yapay zeka dahil olmak üzere bu temelde başka yararlı şeyler de ekler.
Apache Sparkhttps: //www.techopedia.com/definition/30113/apache-sparkAncak bir Kaggle anketinden ipuçları ararsak, "gerçek hayatta kullanılan en yaygın araçlar" hakkında farklı bulgular elde edeceğiz. Aşağıdaki resim en iyi 15 zor beceriyi göstermektedir.
Python, R ve SQL ilk üçte ve Jupyter not defterleri dördüncü sırada, ardından TensorFlow, Amazon Web Services, Unix shell, Tableau, C / C ++, NoSQL, MATLAB / Octave ve Java, hepsi Hadoop ve Spark'ın önünde yer alıyor. . Oldukça şaşırtıcı bir şekilde, Microsoftun Excel Veri Madenciliği de dahil edildi.
TensorFlow: https://www.techopedia.com/definition/32862/tensorflowAmazon Web Hizmetleri: https://www.techopedia.com/definition/26426/amazon-web-services-awsUnix: https: //www.techopedia. com / definition / 4637 / unixC ++: https://www.techopedia.com/definition/26184/c-programming-languageNoSQL: https://www.techopedia.com/definition/27689/nosql-databaseJava: https: // www.techopedia.com/definition/3927/java
KDnuggests listesi ayrıca örgün eğitimle ilgili tavsiyeleri de içerir. Bilim adamlarının çoğu yüksek derecede eğitim almış,% 46'sı doktora ve% 88'i en az yüksek lisans derecesine sahip. Lisans dereceleri genellikle ilgili bir alandadır. Yaklaşık 1 / 3'ü aynı zamanda en popüler kariyer yörüngeleri olan matematik ve istatistiktir. Bir sonraki en popüler olanı bilgisayar bilimi derecesi,% 19'unu, mühendislik% 16'sını oluşturuyor. Elbette, özellikle veri bilimine yönelik teknik araçlar genellikle üniversite kurslarında bulunmaz, ancak özel eğitim kampları veya çevrimiçi kurslar aracılığıyla edinilebilirler.
Kursun ötesinde: 2 ana noktaHank Yun, Weill Cornell Tıp Koleji'nin Göğüs Hastalıkları Bölümünde yardımcı araştırmacı ve NYC Veri Bilimi Okulu öğrencisi. Hevesli veri bilimcilerinin yapacakları iş etrafında plan yapmalarını ve bir akıl hocası bulmalarını tavsiye ediyor.
Hank Yunhttps: //medium.com/@jhaseon"Yaptığım hataları yapma. O zaman kendi kendime dedim, dersi aldım ve sertifika aldım çünkü veri bilimini biliyorum." Bu gerçekten iyi bir başlangıç ama öğrenmeye başladığınızda , Aklınızda bir plan olsun. Ardından sahada bir akıl hocası bulun ve sizi tutkulu kılan bir projeye hemen başlayın.
Acemiyseniz, neyi bilmediğinizi bilemezsiniz. Bu nedenle, birisi sizi ileriye doğru yönlendirir ve şu anda sizin için en önemli olan ve olmayan şeyi söylerse, bu çok yardımcı olacaktır. Sonunda hiç kullanılamayacak şeyleri öğrenmek için zaman harcamayın!
Araç çantanızdan hangi aracı çıkaracağınızı bilmek: bir adım önde olmanın anahtarıVeri bilimi araçlarının sıralamaları aynı olmadığından, bazı insanlar hangisine odaklanacakları konusunda kafa karışıklığı yaşayabilir. Celeste Fralick, McAfee Software Security'de baş veri bilimcisi. CIO makalesinde bu konuyu vurguladı: "Bir veri bilimcinin anket eğrisinin ön saflarında olması gerekir, ancak hangi teknolojinin ne zaman kullanılması gerektiğini anlamayı unutmayın." Bu cümle, taze ve seksi olmayın anlamına gelir. Görünüş kafa karıştırıcı, ancak gerçek sorunlar daha fazla çalışma gerektiriyor. Ekosistemin hesaplama maliyeti, yorumlanabilirliği, gecikme süresi, bant genişliği ve diğer sistem sınırı koşullarının yanı sıra müşterinin sona erme süresinin farkında olmak, veri bilimcilerinin hangi teknolojinin en uygun olduğunu bilmelerine yardımcı olabilir.
CIO makalesi: https://www.cio.com/article/3263790/data-science/the-essential-skills-and-traits-of-an-expert-data-scientist.html Temel yumuşak beceriler: 6 diğer puanFralick, veri bilimi işleri için gerekli teknik olmayan becerilerden bahsetti. KDnuggests listesinin şu 4 öğeyi içermesinin nedeni budur: merak, ekip çalışması, iletişim becerileri ve iş zekası. Zhan tarafından verilen liste aynı zamanda "etkili iletişim becerileri" ve "alan deneyimi" gibi bazı temel sosyal beceriler de içerir, yukarıdaki "iş zekası" na benzer. Kısacası, hepsi veri biliminin iş dünyasına pratik uygulamasına atıfta bulunur.
Olivia Parr-Rud kendi fikirlerini ortaya koydu ve başka iki yumuşak beceri ekledi: yenilik ve ısrar. Dedi ki: "Veri biliminin bilim ve sanat olduğunu düşünüyorum. Beynin her iki tarafında gücün kullanılmasını gerektiriyor. Birçok kişi veri biliminden bahsediyor ve esas olarak sol beyni kullandığını söylüyor. Ama başarılı olmak istiyorsanız, veri bilimcilerinin tam olarak kullanması gerektiğini gördüm. Tüm beyinleri. "
Bu alanda ilerlemenin sadece teknik beceriler değil, aynı zamanda yaratıcılık ve liderlik vizyonu gerektirdiğini açıkladı.
Sol beyin / doğrusal görevlerin çoğu otomatikleştirilebilir veya dışarıdan temin edilebilir. Bir veri bilimcisi olarak rekabet avantajı sağlamak için, büyük miktarda bilgideki kalıpları ve sentezleri tanıyabilmeli ve ayrıca sol ve sağ beyinleri kullanmalıyız. Yaratıcı düşünürler olmalıyız. Sol ve sağ beyinlerin ortak çalışmasından birçok mükemmel sonuç çıkar.
Ayrıca vizyonu açıkça ifade etmenin neden gerekli olduğunu vurguladı:
"Bir veri bilimcisi olarak amacımız, müşterilerin kârlarını artırmalarına yardımcı olmaktır. Çoğu yönetici ne yaptığımızı ve nasıl yaptığımızı anlamıyor. Bu nedenle, hissedarların anlayabilmesi ve güvenebilmesi için liderler gibi düşünmemiz gerekiyor. Bulgularımızı ve önerilerimizi ifade etmenin yolu. "
sonuç olarakBu hatırlatıcı çok sayıda teknik araç, beceri ve yeteneğin yanı sıra yaratıcılık ve liderlik gibi ölçülebilir nitelikler içerir. Veri bilimi sadece bir sayı oyunu değildir. Veri bilimciler boşlukta modelleme yapmıyorlar, ancak iş dünyasındaki pratik sorunları çözebilecek pratik bilgiler sağlayabilirler. Bu alanda başarılı olanlar sadece teknolojide uzman olmakla kalmaz, aynı zamanda işyerindeki her ekip üyesinin ihtiyaçlarını da anlar.
Editör: Wang Jing redaksiyon: Lin YilinÇevirmen Profili
Guo Xiangjie, Madrid Özerk Üniversitesi'nde ekonomi ve finans alanında lisans derecesi. Bir veri analisti olarak başlayarak, mükemmel bir veri bilimcisi olma hayali. Benzer düşünen insanlarla arkadaş olmayı ve gençliğime kadar yaşamayı umuyorum.
- Bitiş -Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
