
作者Jo Stichbury,自由技术作家
数据科学是一个新兴的成熟领域,从数据工程和数据分析到机器和深度学习,各种工作职能不断涌现。数据科学家必须结合科学、创造性和调查性的思维,从一系列数据集中提取意义,并解决客户面临的潜在挑战。
从零售、交通和金融到医疗保健和医学研究,生活的各个领域都产生了越来越多的数据。
可用计算能力的增加和人工智能的最新进展将数据科学家--获取原始数据、分析数据并使其有用和可用的人--推到了聚光灯下。
根据收入潜力、报告的工作满意度和Glassdoor上的职位空缺数量等标准,自2016年以来,数据科学一直位居北美50个最佳职位榜首。
那么成为一名数据科学家需要什么呢?
为了获得成功的一些技巧,我采访了Ben Chu,他是atRefinitiv Labs的资深数据科学家。
朱棣文拥有人工智能的背景,尤其是语言学、语义学和图形领域,并在新加坡路孚特实验室工作了两年。
朱棣文在我们的采访开始时说,数据科学家应该像调查人员一样思考。
你需要通过问“为什么?”来感到好奇和兴奋。“这有点像当侦探,把一个个点串起来,发现新线索。”
在金融领域,数据科学家从一系列数据集中提取意义,以通知客户并指导他们的关键决策。
数据科学家必须放大客户想要解决的挑战,并从他们正在处理的数据中获取线索。
从与朱棣文的交谈中,我了解到能够转移焦点并考虑调查的背景是多么重要。
如果不能解决根本问题,完美的分析是没有帮助的。有时你需要回头,尝试一种新的方法,重新定义你试图回答的问题。其核心是好奇心。你需要喜欢问题!
数据科学家使用一系列工具来管理他们的工作流、数据、注释和代码。
“我必须非常勤奋。我需要衡量和跟踪我的进展,这样我就可以备份和尝试一个新的方向,重用以前的工作,并比较结果。
“重要的是要科学,在你前进的过程中进行观察、实验和记录,这样你就可以复制你的发现。我需要组织我的观察,所以我用概念作为我的主要工具,把我所有的笔记、论文和可视化放在一个地方。“
朱棣文强调,需要保存记录,不仅要追溯到他目前的调查,还要追溯到所有以前的发现。
“这就像数据科学日记。当我遇到类似的情况时,我会保留很好的参考点,并参考它们来指导我的下一步行动。“
数据科学不仅仅是有一个科学的方法。职称可能会误导人;你不必来自科学背景,但你确实需要能够创造性地思考。通常,另类思维是你应对挑战的关键。
“我必须在解决问题的科学思维和引导我走上新的和不同的探索道路的创造性思维之间切换。
“逻辑的、科学的思维对帮助我得出结论至关重要,但戴上一顶创造性的帽子同样重要:我用好的和失败的例子作为观察新模式的线索。这都是关于‘编码智能’的。“
您需要扎实的编码技能,以便能够使用各种数据处理技术对不同的数据源进行预处理,以解决噪声或不完整的数据。
您还需要能够创建机器学习管道,这将要求您知道如何构建模型,并使用工具和框架来评估和分析其性能。
Chu和大多数数据科学家一样使用Python,因为有很多优秀的包可以操作和建模数据。
事实上,Glassdoor在2017年上半年对其网站上的10,000份数据科学家工作列表进行了抽样,发现三种特殊的技能--Python、R和SQL--构成了数据科学领域大多数职位空缺的基础。
Ben Chu的团队依赖于开源机器学习包,如Tensorflow,Pytorch和Bert。
“我们主要将合流用作文档工具;用于机器学习的MLFlow,Amazon Sagemaker,Scikit-Learn、Tensorflow,PyTorch和BERT;Apache Spark在大型数据集中构建快速数据管道;和雅典娜作为我们的数据库来存储我们处理过的数据。
“我们还使用Superset来连接数据,并更容易地构建仪表板来输出图表,这使其更加直观。”
朱棣文现在是路孚特实验室的一名高级数据科学家,但他从小就想成为一名音乐家,并对语言着迷。对于我在自然语言处理领域的工作,我需要很好地理解语言学,特别是语义学和语言的细微差别。
他解释说,一个数据科学团队需要一系列的技能--他和他的同事有来自不同背景的重叠技能。
“你需要的技能将取决于你工作的领域。例如,我需要对金融有很好的了解。
“例如,数据分析正被应用于减少欺诈,通过建立异常检测方法来检测欺诈‘行为',作为交易数据中的不规则模式。
“像我这样的数据科学家需要精通如何处理各种孤立的金融数据。知道要结合什么是至关重要的,因为没有这种理解,我就无法建立一个成功的模型。“
进入数据科学并不一定要成为一名计算机科学家或数学家。没有人在每个领域都拥有所有的专业知识。你可以有法律、经济或科学背景。都是关于你思考的方式。
如果您能够灵活和系统化,您将能够在使用工具、框架和数据集时熟悉这些工具、框架和数据集的细节。
对于那些渴望发展数据科学技能的人,朱棣文提供了一些实用的建议,尽管新冠肺炎造成了干扰,但你可以很容易地采用这些建议。
你可以在网上寻找研究社区、参加网络研讨会和找到培训课程。一旦面对面的网络再次可行,朱建议您积极参与数据科学社区。
“去参加会议和黑客马拉松,这将帮助你建立一个强大的网络来讨论你的想法,启发你的研究,回答你的问题”。
此外,请记住,数据科学领域是一个新的领域,而且仍在不断成熟。
出现了各种不同的职位头衔,如数据科学家、数据工程师和数据分析师,以及机器学习和深度学习工程师。您可能会发现一个角色比另一个角色更适合您的兴趣和技能。
挖掘你的好奇心和创造力,提高你的Python技能,进入数据科学!
本文最初出现在2020年4月初的《路孚特透视》上。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师证书考取全攻略 在数字化浪潮汹涌的当下,数据已成为企业乃至整个社会发展的核心驱动力。数据分析师作 ...
2025-06-25人工智能在数据分析的应用场景 在数字化浪潮席卷全球的当下,数据以前所未有的速度增长,传统的数据分析方法逐渐难以满足海 ...
2025-06-25评估模型预测为正时的准确性 在机器学习与数据科学领域,模型预测的准确性是衡量其性能优劣的核心指标。尤其是当模型预测结 ...
2025-06-25CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-06-24金融行业的大数据变革:五大应用案例深度解析 在数字化浪潮中,金融行业正经历着深刻的变革,大数据技术的广泛应用 ...
2025-06-24Power Query 中实现移动加权平均的详细指南 在数据分析和处理中,移动加权平均是一种非常有用的计算方法,它能够根据不同数据 ...
2025-06-24数据驱动营销革命:解析数据分析在网络营销中的核心作用 在数字经济蓬勃发展的当下,网络营销已成为企业触达消费者 ...
2025-06-23随机森林模型与 OPLS-DA 的优缺点深度剖析 在数据分析与机器学习领域,随机森林模型与 OPLS-DA(正交偏最小二乘法判 ...
2025-06-23CDA 一级:开启数据分析师职业大门的钥匙 在数字化浪潮席卷全球的今天,数据已成为企业发展和决策的核心驱动力,数据分析师 ...
2025-06-23透视表内计算两个字段乘积的实用指南 在数据处理与分析的过程中,透视表凭借其强大的数据汇总和整理能力,成为了众多数据工 ...
2025-06-20CDA 一级考试备考时长全解析,助你高效备考 CDA(Certified Data Analyst)一级认证考试,作为数据分析师领域的重要资格认证, ...
2025-06-20统计学模型:解锁数据背后的规律与奥秘 在数据驱动决策的时代,统计学模型作为挖掘数据价值的核心工具,发挥着至关重要的作 ...
2025-06-20Logic 模型特征与选择应用:构建项目规划与评估的逻辑框架 在项目管理、政策制定以及社会服务等领域,Logic 模型(逻辑模型 ...
2025-06-19SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的利器 在数据分析的众多方法中,Mann-Kendall(MK)检验凭借其对数据分 ...
2025-06-19CDA 数据分析能力与 AI 的一体化发展关系:重塑数据驱动未来 在数字化浪潮奔涌的当下,数据已然成为企业乃至整个社会发展进 ...
2025-06-19CDA 干货分享:统计学的应用 在数据驱动业务发展的时代浪潮中,统计学作为数据分析的核心基石,发挥着无可替代的关键作用。 ...
2025-06-18CDA 精益业务数据分析:解锁企业增长新密码 在数字化浪潮席卷全球的当下,数据已然成为企业最具价值的资产之一。如何精准地 ...
2025-06-18CDA 培训:开启数据分析师职业大门的钥匙 在大数据时代,数据分析师已成为各行业竞相争夺的关键人才。CDA(Certified Data ...
2025-06-18CDA 人才招聘市场分析:机遇与挑战并存 在数字化浪潮席卷各行业的当下,数据分析能力成为企业发展的核心竞争力之一,持有 C ...
2025-06-17CDA金融大数据案例分析:驱动行业变革的实践与启示 在金融行业加速数字化转型的当下,大数据技术已成为金融机构提升 ...
2025-06-17