登录
首页精彩阅读如何使得数据科学家更加市场化?
如何使得数据科学家更加市场化?
2019-11-06
收藏
如何使得数据科学家更加市场化?

作者 | Andrew Ste

编译 | CDA数据分析师

How to Become More Marketable as a Data Scientist

作为一名数据科学家,你处在一个高需求的位置。那么,你如何才能更好地提高你的市场竞争力呢?看看这些目前雇主在2019年最想要的数据科学家技能趋势。

这个标题在你看来可能有点奇怪,好像是,如果你是2019年的数据科学家,你已上市...

由于数据科学对当今的商业有着巨大的影响,对DS专家的需求也在增长。目前我正在写这篇文章,仅LinkedIn上就有144527个数据科学工作。但是,重要的是,如何把握这个行业的脉搏,以意识到最快和最有效的数据科学解决方案。为了帮助你,我们对数据痴迷的CV编译器团队分析了部分职位空缺,确定了2019年的数据科学就业趋势。

2019年最受欢迎的数据科学技能

下图是雇主在2019年向数据科学工程师寻求的技能:

如何使得数据科学家更加市场化?

对于这一分析,我们查看了StackOverflow、AngelList和类似网站的300个数据科学空缺。有些术语可能在一份工作清单中重复不止一次。

注:请记住,这项研究代表的是雇主的偏好,而不是数据科学工程师自己的偏好。

数据科学趋势

显然,数据科学更多地是关于基础知识,而不是框架和库,但仍然有一些趋势和技术值得注意。

大数据

根据2018年大数据分析市场研究,企业采用大数据的比例从2015年的17%飙升至2018年的59%。因此,大数据工具的流行程度也越来越高。如果我们不考虑ApacheSPark和Hadoop,(我们将在下一节中详细讨论后者),最流行的方法是MapReduce (36), and Redshift (29).

Hadoop

尽管Spark云存储广受欢迎,但是Hadoop的“时代”还没有结束。因此,有些雇主仍然期望应聘者熟悉 Apache Pig (30), HBASE(32)和类似的技术。HDFS(20)空缺职位中仍有提及。

实时数据处理

随着各种传感器、移动设备和物联网(18)公司的目标是从实时数据处理中获得更多的洞察力.因此,流分析平台,如Apache Flink(21)在一些雇主中很受欢迎。

特征工程与超参数整定

准备数据和选择模型参数是任何数据科学家工作的关键部分。术语数据挖掘(128)在雇主中很受欢迎。一些雇主也非常重视超参数调参(21)。然而,作为一名数据科学家,您需要首先需要关注特征工程..为您的模型选择最好的特性很重要,因为它们决定了您的模型在其创建的早期阶段是否成功。

数据可视化

处理数据并从中提取有价值的见解的能力是至关重要的。然而,数据可视化(55)对于任何数据科学家来说,技能同样重要。至关重要的是,您可以任何团队成员或客户都能理解的格式表示您的工作成果。至于数据可视化工具,雇主更喜欢。Tableau (54)

总趋势

在职位空缺方面,我们遇到了这样的条件:AWS (86), Docker(36)和 Kubernetes (24)。因此,软件开发行业的总体趋势也适用于数据科学领域。

如何使得数据科学家更加市场化?

专家评论

这个评级中的技术水平是相当的。然而,在数据科学中,有些事情和编码一样重要。这是一种从“数据输出”(如最终数据集和趋势)、可视化以及用这些数据讲述故事的能力。而且,这也是以一种可以理解的方式展示这些发现的能力。了解你的听众-如果他们是博士,以适当的方式和他们交谈,但是如果他们来自C套件,他们不会关心编程,只关心结果和ROI。

——卡拉·金特 数据科学家/所有者

快照数据对于了解当前市场状况是有用的,但它并不代表趋势,因此很难仅仅根据快照来规划未来。我要说的是,R的使用量将继续稳步下降(MATLAB也是如此),而Python在数据科学家中的流行程度将持续上升。Hadoop和BigData之所以上榜,是因为该行业有些惰性:Hadoop将消失(没有人会认真投资),大数据也不再是热门趋势。人们是否需要投入时间学习Scala尚不清楚:Google正式支持Kotlin(也是一种JVM语言),它更容易学习,而Scala有一个陡峭的学习曲线。我也对TensorFlow的未来持怀疑态度:学术界已经转向PyTorch,与其他行业相比,学术界在数据科学方面的影响力最大。(这些意见是我的,可能不代表高德纳的观点。)

——安德里·布尔科夫 高德纳机械学习主任, 百页机器学习书作者

PyTorch是用GPU对CUDA张量进行数学运算强化学习的动力。它也是一个更强大的框架,可以同时在多个GPU上并行代码,而TensorFlow要求将每个操作封装到一个设备上。PyTorch还建立了适用于递归神经网络的动态图。基于TensorFlow的TensorFlow生成静态图表,与基于火炬的PyTorch相比,学习起来更加复杂。TensorFlow反映了更多的开发人员和研究人员。PyTorch将在构建机器学习仪表板可视化工具(如TensorBoard)时显示出更大的发展势头。PyTorch在调试和数据可视化库(Matplotlib)和海运库方面更像Pythonic。Python的大多数调试工具也可以用来调试PyTorch。TensorFlow附带了自己的调试工具tfdbg。

——Ganapathi Pulipaka博士,埃森哲首席数据科学家,50强科技领袖奖获奖者

我认为数据科学的“工作”不同于数据科学的“职业”。工作列表提供了对市场需要的特定技能的洞察力,但对于职业生涯来说,我所见过的最重要的技能之一是学习能力。数据科学是一个快速发展的领域,如果要取得长期的成功,您需要能够轻松地获得新的技术、工具和领域知识。要做到这一点,就要挑战自己,避免过于舒适。

——里昂·里斯伯格创始人/策展人,数据药剂

数据科学是一个快速发展和复杂的行业,一般知识和特定技术的经验同样重要。我希望这篇文章能帮助你更好地了解2019年你需要的两种技能。祝好运!

数据分析咨询请扫描二维码

客服在线
立即咨询