作者 Ben Stanbury
编译 Mika
本文为 CDA 数据分析师原创作品，转载需授权

有人问我，应该如何从数据分析师进阶为数据科学家呢？很简单，分三步：

1. 打开LinkedIn，登录。
2. 点击“编辑我的个人资料”。
3. 找到“数据分析师”，并用“数据科学家”替代。

完成！非常容易吧。

不幸的是，现实并不那么简单。

掌握必备的技能，从或多或少的数据中得出分析见解，这些都并非易事。

关于如何进入数据科学领域的文章有很多，但是关于从数据分析师转化为数据科学家的文章却很少。

在此之前，我们有必要分别给出这两个职业的定义。

数据分析师
对结构化数据进行收集、处理并应用统计算法，从而产生效益和改进决策。

数据科学家
有类似的目标，但需要更强的能力，从而能处理大量的非结构化数据，很多情况下需要实时处理。

数据科学家需要发现重要信息，能够对不同来源的数据进行数据清理、处理并运行高级算法。同时，需要很强的沟通描述能力，以及可视化技能。

我经常会遇到许多优秀的数据分析师，他们非常想进阶为数据科学家，但苦于没有机会，或不知道该如何开始。这也是促使我写本文的原因之一。

为什么要成为数据科学家？

原因有很多，主要分为以下几点：

* 影响力
可能带来巨大的商业利益。更有机会得到领导层青睐，能够更好地提升发展方向。

* 精通
在快速发展的数据科学领域中，有许多问题需要被解决。例如，构建图像识别器或文本分类器识别社交媒体上的发布的违规言论。

* 相关性
有人预测人工智能最终将取代人类的工作。为了保证自己工作，应该不断创新，而不是等待被自动化取代。

* 加薪与发展机会
薪水和发展机会会得到提升，优秀的数据科学家很少，需求量很大。

数据科学——需要学习很多技能
机器人取代人类工作

如何成为数据科学家？
大多数数据分析师都有很好的基础，但是应用先进的方法处理大型数据集需要多年的学习和经验积累。

那么，数据科学家需要哪些技能？

这个问题可能没有正确的答案，复杂的数据科学项目涉及到许多专业技能。在投入数据科学领域的最初几年，最好掌握以下技能：

数据科学语言：Python / R

关系数据库：MySQL、Postgress

非关系数据库：MongoDB

机器学习模型：回归、提升树支持向量机(Boosted Trees SVM), 神经网络

绘图：Neo4J、GraphX

分布式计算：Hadoop、Spark

云：GCP / AWS / Azure

API 交互 ：OAuth、Rest

数据可视化和网页应用：D3、RShiny

专业领域：自然语言处理、OCR和计算机视觉

提升树模型在数据科学竞赛中很受欢迎

RShiny仪表板是不错的探索数据交互方式。

掌握这些技能需要大量的时间（可能比获得专业学位更久）。但每个人都不能满足现状，必须不断学习。如果我们每天能进步一点，那么在未来某天就能达到自己的预期目标。

决心和坚韧有时比聪明才智能有用。

行动计划

首先我们需要一些基本技能：

1. 从正确的理念开始

十年前，等待数据课程的资料可能需要数周的时间，但那些日子已经一去不回。如今到处都有很棒的学习资源，我们需要不断学习，不断提升技能。

2. 学习一门语言并培养数学技能

可以选择学习Python或R语言。Coursera和Udemy等网站上有大量免费课程。吴恩达的机器学习课程和斯坦福大学的神经网络课程都非常棒，而且很有趣。

许多Python用户喜欢使用Anaconda和Jupyter Notebook。许多R用户喜欢用R Studio。

3. 解决实际问题

尝试解决工作中的实际问题，与商业专家和数据工程师一起工作。

4. 参加Kaggle比赛

Kaggle任务有一定范围，而且数据比较干净，但能很好的提高建立模型技能，同时能与几千人一起解决挑战性的数据问题。不要担心排名，从零开始。

5. 了解行业大神的动向

可以关注Geoffrey Hinton、吴恩达、Yann LeCun、Rachel Thomas、Jeremy Howard等人。

6. 使用高效的工作方式

积累一定基础后，使用GitHub等版本控制系统改进自己的工作流程，以便进行部署和代码维护，还可以使用Docker。

7. 有效地沟通

我们需要展现自己的工作成果，在跟领导层汇报工作时，需要有效地利用演示文稿等中。

良好的工作环境

即使你掌握了许多技能，但所在的公司没有合适的工具和环境，那么开展工作也是很困难的。工作环境中总会存在些不可控的因素，因此我们要考虑哪些因素可以改善和利用。

1. 转到合适的团队

大多数大中型企业至少有一个小型数据科学团队，因此要选择合适的企业。

2. 与合适的人合作

如果换工作不太现实，那么设法与出色的数据科学家合作。例如，发现相关问题，与专业人员合作解决，而不是委托他们解决。

3. 适当的工具和环境

企业有时不太明确该如何数据科学工具进行投入。有些企业制定计划和投入过程比较繁琐，因此只会优先考虑收益明显的商业案例。抓住机会，倡导对分析环境、工具、相关培训的投入。

4. 制定明确的用例

了解公司的业务以及能如何应用数据科学，将这两者联系起来，制定明确的用例。

5. 与更优秀的人合作

努力成为优秀团队中的一员，你不仅会收获地更多，还能学到很多自己为掌握的知识。

结语

现在就是开始的最佳机会，立即开始学习，尽快解决实际问题。在学习的过程中，你会不断提升自己，最终让自己大吃一惊，要珍惜每个机会。