這些資料科學家必備的技能，你擁有哪些？

1.教育背景

88％的資料科學家受過高等教育且擁有碩士學位，其中46％擁有博士學位。雖然有些人是例外，但通常需要非常強大的教育背景才能擁有成為資料科學家所必需的知識深度。要想成為資料科學家，你可以先獲得計算機科學、社會科學、實體科學和統計學的學士學位，最常見的是數學和統計學（32％），其次是計算機科學（19％）和工程學（16％），任何這些課程的學位都可以為你提供處理和分析大資料所需的技能。

完成學位課程後，大多數資料科學家還進行線上教育訓練，例如學習如何使用Hadoop或大資料查詢等特殊技能。除課堂學習外，你還可以通過建構應用程式或探索資料分析來練習你在課堂上學到的知識，以便你了解更多資訊。

2.R程式設計

對于資料科學家來說，R的至少是所有分析工具最應該深入了解工具，因為R專為滿足資料科學需求而設計。你可以使用R來解決資料科學中遇到的任何問題，事實上，43％的資料科學家正在使用R來解決統計問題。然而，R有一個陡峭的學習曲線。如果你已經掌握了某種程式設計語言，那麼就會更難學習。不過不要擔心，網際網路上還有很多資源可以幫助你開始使用R，例如Simplilearn的R程式設計語言資料科學教育訓練，它是有抱負的資料科學家的重要資源。

技術技能：計算機科學

3.Python編碼

Python是适合資料科學家學習的一種優秀程式設計語言，也是我在資料科學角色中看到的最常見的編碼語言，其中還有Java，Perl或C/C ++。O'Reilly曾經調查過資料科學家，調查的受訪者中有40％使用Python作為他們的主要程式設計語言。

由于python的多功能性，你可以将其用于資料科學過程中涉及的幾乎所有步驟。它可以采用各種格式的資料，同時可以輕松地将SQL表導入代碼中，并且還允許你建立資料集，這樣你就可以在Google上找到所需的任何類型的資料集。

4.Hadoop平台 

雖然這個不是硬性要求，但在許多情況下它是非常有用的，擁有Hive或Pig的經驗也是一個很好的加分項。CrowdFlower對3490個LinkedIn上資料科學工作者進行的一項研究發現Apache Hadoop被評為資料科學家第二重要技能。

作為資料科學家，你可能會遇到這樣的情況，即你擁有的資料量超過系統記憶體或需要将資料發送到不同的伺服器，這時Hadoop就能發揮其作用了。你可以使用Hadoop快速将資料傳輸到各種系統上的點。同時你還可以使用Hadoop進行資料探索、資料過濾、資料采樣和彙總。

5.SQL資料庫/編碼

盡管NoSQL和Hadoop已經成為資料科學的一個重要組成部分，但大多數人還是希望能夠在SQL中編寫和執行複雜查詢。SQL（結構化查詢語言）是一種程式設計語言，可以幫助你執行添加，删除和從資料庫中提取資料等操作。它還可以幫助你執行分析功能和轉換資料庫結構。

作為資料科學家，你需要精通SQL，因為SQL可以專門用于幫助你通路和處理資料。當你使用它來查詢資料庫時你會發現，它簡潔的指令可以幫助你節省時間并減少執行困難查詢所需的程式設計量。學習SQL将幫助你更好地了解關系資料庫并提升你作為資料科學家的形象。

6.Apache Spark

Apache Spark正在成為全球最受歡迎的大資料技術。它就像Hadoop一樣是一個大資料計算架構，唯一的差別是Spark比Hadoop更快。這是因為Hadoop需要讀取和寫入磁盤，這使得速度變慢，但Spark将其計算緩存在記憶體中。

Apache Spark專為資料科學而設計，它可以幫助更快地運作複雜的算法。它還有助于資料科學家處理複雜的非結構化資料集，你可以在一台機器或一組機器上使用它。Apache spark使資料科學家能夠防止資料科學中的資料丢失。Apache Spark的優勢在于其速度和平台，這使得開展資料科學項目變得容易。借助Apache spark，你可以執行從資料采集到分布式計算的分析。

7.機器學習和AI

大量資料科學家并不精通機器學習領域和技術，這包括神經網絡，強化學習，對抗性學習等。如果你想從其他資料科學家中脫穎而出，你需要了解機器學習技術，如監督機器學習、決策樹、邏輯回歸等。這些技能将幫助你解決基于主要組織結果預測的不同資料科學問題。

資料科學需要應用于機器學習的不同領域。Kaggle在其中一項調查中發現，一小部分資料專業人員具備先進的機器學習技能，如監督機器學習、無監督機器學習、時間序列、自然語言處理、異常值檢測、計算機視覺、推薦引擎、強化學習和對抗性學習。

8.資料可視化

商業世界經常産生大量資料，這些資料需要被翻譯成易于了解的格式。與原始資料相比，人們可以更自然地以圖表和圖形的形式了解資料，常言道：“一張圖檔勝過千言萬語”。

作為資料科學家，你必須能夠借助資料可視化工具（如ggplot，d3.js和Matplottlib以及Tableau）可視化資料。這些工具将幫助你将項目中的複雜結果轉換為易于了解的格式。問題是，很多人不了解序列相關性或p值，你需要直覺地向他們展示這些術語在結果中的表示。

資料可視化使組織有機會直接處理資料，他們可以快速掌握并且幫助他們在競争中抓住新商機。

9.非結構化資料

資料科學家能夠處理非結構化資料至關重要。非結構化資料是未定義的内容，不适合資料庫表，其中包括視訊、部落格文章、客戶評論、社交媒體文章、音頻等。對這些類型的資料進行排序很困難，因為它們沒有邏輯可言。由于其複雜性，大多數人将非結構化資料稱為“黑暗分析”。使用非結構化資料可以幫助你揭示對決策有用的洞察力。作為資料科學家，你必須能夠了解和操縱來自不同的平台的非結構化資料。

非技術技能

10.好奇心 

“我沒有特殊才能。我隻是充滿好奇心。”-愛因斯坦。

毫無疑問，你最近可能多次看到過這句話，因為它與資料科學家有關。一位資深資料科學家描述過它的含義，并在幾個月前的部落格中将其視為必要的“軟技能。

好奇心可以被定義為獲得更多知識的願望。作為資料科學家，你需要能夠提出有關資料的問題，因為資料科學家花費大約80％的時間來發現和準備資料。這是因為資料科學領域是一個發展非常快的領域，你必須學習更多以跟上節奏。

你需要通過線上閱讀内容和閱讀有關資料科學趨勢的相關書籍來定期更新你的知識。不要被在網際網路上飛來飛去的大量資料所淹沒，你必須能夠知道如何了解這一切。好奇心是成為資料科學家所需要的技能之一。例如，最初你可能沒有太多了解你收集的資料。好奇心将使你能夠篩選資料以查找答案和更多見解。

11.商業頭腦 

要成為一名資料科學家，你需要對你正在從事的行業有充分的了解，并了解貴公司正在努力解決的業務問題。在資料科學方面，除了确定企業應利用其資料的新方法之外，能夠識别哪些問題對于業務而言至關重要是重要的。

為了能夠做到這一點，你必須了解你解決的問題如何影響業務。這就是你需要了解企業營運方式的原因，以便你可以将你的工作指向正确的方向。

12.溝通技巧

尋找強大資料科學家的公司正在尋找能夠清晰流利地将技術發現轉化為非技術團隊的人員，例如市場營銷部門或銷售部門。資料科學家必須使企業能夠通過量化的洞察力來制定決策，此外還要了解非技術同僚的需求，以便恰當地糾正資料。

除了說出公司了解的相同語言外，你還需要使用資料叙述進行溝通。作為資料科學家，你必須知道如何圍繞資料建立故事情節，以便任何人都能輕松了解。例如，呈現資料表不如以叙事格式從這些資料中分享見解那樣有效。使用講故事将幫助你将你的發現正确地傳達給你的雇主。

溝通時，請注意嵌入在你分析的資料中的結果和值。大多數企業主不想知道你分析的内容，他們對如何積極地影響他們的業務感興趣。學會專注于通過溝通提供價值和建立持久的關系。

13.團隊合作

資料科學家不能單獨工作，你不得不與公司高管合作制定戰略，與産品經理和設計師一起創造更好的産品，還要與營銷人員合作以推出更好的營銷活動，最重要的還要與客戶和伺服器軟體開發人員合作建立資料管道并改進工作流程，你必須與組織中的每個人（包括你的客戶）合作。

從本質上講，你将與你的團隊成員合作開發應用，以了解解決問題所需的業務目标和資料。你需要了解正确的方法來解決問題以及如何将結果轉換并呈現​​給所有相關人員都能輕松了解的内容。

本文由阿裡雲雲栖社群組織翻譯。

文章原标題《9-must-have-skills-data-scientist》作者：Simplilearn

譯者：虎說八道，審校：袁虎。

文章為簡譯，更為詳細的内容，請檢視

原文