
许多“如何将科学数据化”的课程和文章,包括我自己的课程和文章,都倾向于强调统计学、数学和编程等基本技能。然而,最近,我通过自己的经历注意到,这些基本技能很难转化为实际技能,从而使你能够就业。
因此,我想创建一个唯一列表,其中包含实用技能,这些技能将使您具有工作能力。
我谈到的前四项技能对任何数据科学家来说都是绝对关键的,无论你是什么专业的。以下技能(5-11)都是重要的技能,但用法会因你的专业而异。
例如,如果你最有统计基础,你可能会花更多的时间在推断统计上。相反,如果你对文本分析更感兴趣,你可能会花更多的时间学习NLP,或者如果你对决策科学感兴趣,你可能会专注于解释性建模。你明白重点了。
说到这里,让我们深入研究一下我认为最实用的11项数据科学技能:
学习如何编写健壮的SQL查询,并在像Airflow这样的工作流管理平台上调度它们,将使您成为一名数据科学家,这是第1点的原因。
为什么?原因有很多:
因此,作为数据科学家,您必须是SQL方面的专家。没有例外。
资源
无论您是在构建模型、探索要构建的新特性,还是在进行深度挖掘,您都需要知道如何处理数据。
数据争论意味着将数据从一种格式转换为另一种格式。
特征工程是数据争论的一种形式,但具体指从原始数据中提取特征。
如何操作数据并不重要,不管是使用Python还是SQL,但您应该能够随心所欲地操作数据(当然,在可能的参数范围内)。
资源
当我说“版本控制”时,我特别指的是GitHub和Git。Git是世界上使用的主要版本控制系统,GitHub本质上是一个基于云的文件和文件夹存储库。
虽然Git不是一开始学习的最直观的技能,但对于几乎每一个与编码相关的角色来说,了解它是必不可少的。为什么?
花时间学习GIT。它会带你走很远的!
建造一个视觉上令人惊叹的仪表板或一个精确度超过95%的复杂模型是一回事。但是如果你不能把你的项目的价值传达给其他人,你就不会得到你应得的认可,最终,你的职业生涯就不会像你应该做的那样成功。
讲故事指的是你“如何”交流你的见解和模型。从概念上来说,如果你想一本图画书,洞察力/模型就是图画,而“讲故事”指的是连接所有图画的叙述。
在科技界,讲故事和交流是被严重低估的技能。从我职业生涯中所见,这种技能是大三学生与大四学生和经理人之间的区别。
构建回归和分类模型(即预测模型)并不是你总是要做的事情,但如果你是一名数据科学家,雇主会希望你知道这一点。
即使这不是你经常做的事情,也是你必须擅长的事情,因为你希望能够构建高性能的模型。在我的职业生涯中,到目前为止,我只生产了两个机器学习模型,但它们都是对业务产生重大影响的关键任务模型。
因此,您应该很好地理解数据准备技术、增强算法、超参数调优和模型评估度量。
资源
许多机器学习算法在很长一段时间内被认为是“黑箱”,因为不清楚这些模型是如何基于各自的输入得出预测的。这种情况现在正在改变,因为广泛采用了可解释的机器学习技术,如SHAP和Lime。
SHAP和LIME是两种技术,它们不仅告诉您每个特征的特征重要性,还告诉您对模型输出的影响,类似于线性回归方程中的系数。
使用SHAP和LIME,您可以创建解释性模型,也可以更好地交流预测模型背后的逻辑。
资源
a/B测试是一种实验形式,您可以比较两个不同的组,根据给定的指标,看看哪个组表现更好。
A/B测试可以说是企业界最实用、应用最广泛的统计概念。为什么?A/B测试允许您将100s或1000s的小改进组合在一起,从而随着时间的推移产生重大的变化和改进。
如果您对数据科学的统计方面感兴趣,A/B测试对于理解和学习是必不可少的。
资源
就我个人而言,我在职业生涯中没有使用过集群,但它是数据科学的核心领域,每个人至少都应该熟悉。
集群是有用的,原因有很多。您可以找到不同的客户细分,您可以使用聚类来标记未标记的数据,您甚至可以使用聚类来为模型找到截止点。
下面是一些参考资料,介绍了您应该了解的最重要的集群技术。
资源
虽然我一生中还没有构建过推荐系统,但它是数据科学中最实际的应用之一。推荐系统之所以如此强大,是因为它们有能力推动收入和利润。事实上,亚马逊声称在2019年,由于他们的推荐系统,他们的销售额提高了29%。
因此,如果您曾经在一家公司工作,其中的用户必须做出选择,并且有许多选项可供选择,推荐系统可能是一个有用的应用程序。
NLP,或自然语言处理,是人工智能的一个分支,专注于文本和语音。与机器学习不同,我认为NLP还远未成熟,这正是它如此有趣的原因。
NLP有很多用例…
总的来说,NLP是数据科学世界中一个非常有趣和有用的利基领域。
资源
最近,数据科学家采用了度量开发的职责,因为表面度量依赖于1)数据来计算度量和2)代码来计算和输出度量。
度量开发涉及几个方面:
我希望这有助于指导你的学习,并给你一些未来一年的方向。有很多东西要学,所以我肯定会选择几个听起来对你来说最有趣的技能,然后从那里开始。
请记住,这更多的是一篇由轶事经验支持的固执己见的文章,所以从这篇文章中获取你想要的东西。但我一如既往地祝你在学习上取得最好的成绩!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08LSTM 输出不确定的成因、影响与应对策略 长短期记忆网络(LSTM)作为循环神经网络(RNN)的一种变体,凭借独特的门控机制,在 ...
2025-07-07统计学方法在市场调研数据中的深度应用 市场调研是企业洞察市场动态、了解消费者需求的重要途径,而统计学方法则是市场调研数 ...
2025-07-07CDA数据分析师证书考试全攻略 在数字化浪潮席卷全球的当下,数据已成为企业决策、行业发展的核心驱动力,数据分析师也因此成为 ...
2025-07-07