數(shù)據(jù)科學(xué)一直是個引人注目的領(lǐng)域，尤其是對于那些有計算機科學(xué)、統(tǒng)計、業(yè)務(wù)分析、工程管理、物理、數(shù)學(xué)等學(xué)科背景的年輕人。但霧里看花始終看不清晰，人們總是認為數(shù)據(jù)科學(xué)背后有許多神秘的地方，覺得它不僅僅是機器學(xué)習(xí)和統(tǒng)計。

多年來，我與許多專業(yè)人士討論過該如何進入數(shù)據(jù)科學(xué)領(lǐng)域。為什么總有關(guān)于數(shù)據(jù)科學(xué)的炒作？能夠幫助人們走進這一領(lǐng)域的仍然是統(tǒng)計數(shù)據(jù)和機器學(xué)習(xí)嗎？未來也仍是如此嗎？

兩個月前，我從研究生院畢業(yè)后直接作為數(shù)據(jù)科學(xué)家加入了媒體巨頭ViacomCBS。除了研究助理和實習(xí)之外，沒有任何全職行業(yè)經(jīng)驗。我的工作職責包括從構(gòu)想、開發(fā)到生產(chǎn)ML產(chǎn)品，使用過文中列出的大部分工作方式。希望本文能幫到所有有志于進軍這一領(lǐng)域的數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)工程師們。

為什么總有關(guān)于數(shù)據(jù)科學(xué)的炒作？

幾乎人人都想要進入數(shù)據(jù)科學(xué)領(lǐng)域。幾年前，數(shù)據(jù)科學(xué)領(lǐng)域存在供需問題：自從DJPatil博士和JeffHammerbacher創(chuàng)造了Data Science一詞后，對數(shù)據(jù)科學(xué)家的需求大大增加，相關(guān)人才顯得供不應(yīng)求。

到了2020年，情況有所好轉(zhuǎn)。受到過正規(guī)或者MOOC教育的數(shù)據(jù)科學(xué)愛好者的數(shù)量有所增加，人才需求也有所增加，但沒達到前者的增長程度。這一術(shù)語所涵蓋的領(lǐng)域越來越廣泛，包含了人們進行數(shù)據(jù)科學(xué)工作所需的大多數(shù)功能。每個人都在談?wù)摂?shù)據(jù)科學(xué)，但大多數(shù)卻不得其法。

我認為數(shù)據(jù)科學(xué)總被炒作有以下幾個原因：

前沿發(fā)展

工作滿意度高

業(yè)務(wù)影響巨大

數(shù)據(jù)生成量增加

數(shù)據(jù)科學(xué)家頭銜背后的神秘感

數(shù)據(jù)很好看！（不是字面意思~）

大量學(xué)校和訓(xùn)練營能提供數(shù)據(jù)科學(xué)學(xué)位

許多招聘網(wǎng)站將其評為最熱門的工作（最近3年被Glassdoor評為美國最熱門的工作）

自稱是數(shù)據(jù)科學(xué)家的人？

總有人會這么介紹自己，所以讓我就當前的行業(yè)狀況講一些真相。

由于職位需求的增加和數(shù)據(jù)科學(xué)家頭銜的光鮮，許多公司已開始將產(chǎn)品分析師、商業(yè)情報分析師、業(yè)務(wù)分析師、供應(yīng)鏈分析師、數(shù)據(jù)分析師和統(tǒng)計學(xué)家的職位改為數(shù)據(jù)科學(xué)家，因為許多人離職的原因便是去應(yīng)聘數(shù)據(jù)科學(xué)家的職位，但實際上這些公司提供的工作內(nèi)容往往是一樣的。

許多人從職位頭銜微小的字詞變化中感到了被尊重。因此，公司們以相同的思路改變職位名稱，使他們的職位顯得更耀眼也更令人期待，例如數(shù)據(jù)科學(xué)家-分析方向、產(chǎn)品數(shù)據(jù)科學(xué)家、數(shù)據(jù)科學(xué)家-增長方向、數(shù)據(jù)科學(xué)家-供應(yīng)鏈方向、數(shù)據(jù)科學(xué)家-可視化方向或數(shù)據(jù)科學(xué)家，還有什么不能加的方向？

大多數(shù)接受教育或者在線培訓(xùn)的人都有一個誤區(qū)，認為所有數(shù)據(jù)科學(xué)家都會建立精致的機器學(xué)習(xí)模型，但這種認知并不完全正確。我剛開始攻讀應(yīng)用數(shù)據(jù)科學(xué)碩士時就是這樣想的，以為大多數(shù)數(shù)據(jù)科學(xué)家都是做機器學(xué)習(xí)。

但是當我開始在美國實習(xí)和就業(yè)時，才逐漸了解真相。推動人們走向數(shù)據(jù)科學(xué)的力量，其實源自對人工智能及其業(yè)務(wù)影響的炒作。

下一代數(shù)據(jù)科學(xué)家——機器學(xué)習(xí)

在2020年，對于想要以數(shù)據(jù)科學(xué)家-ML方向（這樣命名因為它不是數(shù)據(jù)科學(xué)家-分析方向）的身份進行應(yīng)用機器學(xué)習(xí)，卻又沒有博士學(xué)位的人來說，除了人人都可做的將機器學(xué)習(xí)應(yīng)用到數(shù)據(jù)集，可選的方法更多了。我將從自身經(jīng)驗出發(fā)分享一些關(guān)鍵點，或許有助于你的面試：

分布式數(shù)據(jù)處理/機器學(xué)習(xí)：掌握Apache Spark、ApacheHadoop、Dask等技術(shù)的實踐經(jīng)驗?zāi)軌蜃C明你可以大規(guī)模創(chuàng)建Data / ML管道。有以上任何一種技術(shù)的應(yīng)用經(jīng)驗都很加分，不過我還是建議使用Apache Spark（使用Python或Scala）。

生產(chǎn)環(huán)境機器學(xué)習(xí)/數(shù)據(jù)管道：如果可以親身體驗Apache Airflow就再好不過了。ApacheAirflow是用于創(chuàng)建數(shù)據(jù)和機器學(xué)習(xí)管道的標準開源作業(yè)編排工具。行業(yè)里已經(jīng)在使用它，因此建議你學(xué)習(xí)并圍繞它進行一些項目。

DevOps/Cloud：數(shù)據(jù)科學(xué)領(lǐng)域，很多人都過分忽視了DevOps。如果沒有基礎(chǔ)架構(gòu)的話，要如何構(gòu)建ML管道？構(gòu)建在本地計算機上運行的筆記本或代碼，并不像我們在課程中所做的那樣容易。你編寫的代碼應(yīng)該可跨自己或其他人可能在團隊中創(chuàng)建的基礎(chǔ)結(jié)構(gòu)進行擴展。

許多公司可能尚未布局ML基礎(chǔ)架構(gòu)，正在尋找入門人員。即使在課程學(xué)習(xí)中，熟悉Docker，Kubernetes以及使用Flask之類的框架構(gòu)建ML應(yīng)用程序也應(yīng)該是標準做法。我喜歡Docker，因為它具有可擴展性，可以構(gòu)建基礎(chǔ)架構(gòu)映像，并在Kubernetes集群上的服務(wù)器/云上復(fù)制相同的內(nèi)容。

數(shù)據(jù)庫：必須了解數(shù)據(jù)庫和查詢語言。盡管SQL被嚴重忽略，但無論在任何云平臺或數(shù)據(jù)庫上，它仍然是行業(yè)標準。開始在leetcode上練習(xí)復(fù)雜的SQL將幫助到你應(yīng)對在DS profiles中的某些編碼面試部分，因為你要負責在預(yù)處理進行時從倉庫中導(dǎo)入數(shù)據(jù)，這將簡化你在運行ML模型前進行預(yù)處理。使用SQL將數(shù)據(jù)傳輸?shù)侥Ｐ椭袝r，大多數(shù)功能工程可以隨時隨地完成，然而很多人會忽略這點。

編程語言：推薦用于數(shù)據(jù)科學(xué)的編程語言是Python、R語言、Scala和Java，了解他們中的任何一個都可以幫助你解決問題。對于ML類型的工作，面試過程中都將進行現(xiàn)場編碼，因此你需要在自己覺得有效率的地方練習(xí)——Leetcode或者Hackerrank等。

如今，除非你足夠幸運，在行業(yè)中有一些重要的關(guān)系（建立人際關(guān)系網(wǎng)非常重要！）或擁有署名的出色研究記錄，否則只了解機器學(xué)習(xí)或統(tǒng)計學(xué)的話，你仍無法進入數(shù)據(jù)科學(xué)領(lǐng)域并學(xué)習(xí)ML。商業(yè)應(yīng)用程序和領(lǐng)域知識往往需要工作經(jīng)驗，但是除了在相關(guān)行業(yè)進行實習(xí)之外，這些經(jīng)驗事先無從習(xí)得。

我也曾站在數(shù)據(jù)科學(xué)的路口徘徊，如今就要親歷下一代數(shù)據(jù)科學(xué)家進入領(lǐng)域的需求在當下成型。這個行業(yè)日新月異，需要你不斷調(diào)整自己跟上它的腳步。
責編AJX