1.教育背景

88%的數據科學家受過高等教育且擁有碩士學位，其中46%擁有博士學位。雖然有些人是例外，但通常需要非常強大的教育背景才能擁有成為數據科學家所必需的知識深度。要想成為數據科學家，你可以先獲得計算機科學、社會科學、物理科學和統(tǒng)計學的學士學位，最常見的是數學和統(tǒng)計學(32%)，其次是計算機科學(19%)和工程學(16%)，任何這些課程的學位都可以為你提供處理和分析大數據所需的技能。

完成學位課程后，大多數數據科學家還進行在線培訓，例如學習如何使用Hadoop或大數據查詢等特殊技能。除課堂學習外，你還可以通過構建應用程序或探索數據分析來練習你在課堂上學到的知識，以便你了解更多信息。

2.R編程

對于數據科學家來說，R的至少是所有分析工具最應該深入了解工具，因為R專為滿足數據科學需求而設計。你可以使用R來解決數據科學中遇到的任何問題，事實上，43%的數據科學家正在使用R來解決統(tǒng)計問題。然而，R有一個陡峭的學習曲線。如果你已經掌握了某種編程語言，那么就會更難學習。不過不要擔心，互聯(lián)網上還有很多資源可以幫助你開始使用R，例如Simplilearn的R編程語言數據科學培訓，它是有抱負的數據科學家的重要資源。

技術技能：計算機科學

3.Python編碼

Python是適合數據科學家學習的一種優(yōu)秀編程語言，也是我在數據科學角色中看到的最常見的編碼語言，其中還有Java，Perl或C/C ++。O'Reilly曾經調查過數據科學家，調查的受訪者中有40%使用Python作為他們的主要編程語言。

由于python的多功能性，你可以將其用于數據科學過程中涉及的幾乎所有步驟。它可以采用各種格式的數據，同時可以輕松地將SQL表導入代碼中，并且還允許你創(chuàng)建數據集，這樣你就可以在Google上找到所需的任何類型的數據集。

4.Hadoop平臺

雖然這個不是硬性要求，但在許多情況下它是非常有用的，擁有Hive或Pig的經驗也是一個很好的加分項。CrowdFlower對3490個LinkedIn上數據科學工作者進行的一項研究發(fā)現(xiàn)Apache Hadoop被評為數據科學家第二重要技能。

作為數據科學家，你可能會遇到這樣的情況，即你擁有的數據量超過系統(tǒng)內存或需要將數據發(fā)送到不同的服務器，這時Hadoop就能發(fā)揮其作用了。你可以使用Hadoop快速將數據傳輸到各種系統(tǒng)上的點。同時你還可以使用Hadoop進行數據探索、數據過濾、數據采樣和匯總。

5.SQL數據庫/編碼

盡管NoSQL和Hadoop已經成為數據科學的一個重要組成部分，但大多數人還是希望能夠在SQL中編寫和執(zhí)行復雜查詢。SQL(結構化查詢語言)是一種編程語言，可以幫助你執(zhí)行添加，刪除和從數據庫中提取數據等操作。它還可以幫助你執(zhí)行分析功能和轉換數據庫結構。

作為數據科學家，你需要精通SQL，因為SQL可以專門用于幫助你訪問和處理數據。當你使用它來查詢數據庫時你會發(fā)現(xiàn)，它簡潔的命令可以幫助你節(jié)省時間并減少執(zhí)行困難查詢所需的編程量。學習SQL將幫助你更好地理解關系數據庫并提升你作為數據科學家的形象。

6.Apache Spark

Apache Spark正在成為深受歡迎的大數據技術。它就像Hadoop一樣是一個大數據計算框架，僅有的區(qū)別是Spark比Hadoop更快。這是因為Hadoop需要讀取和寫入磁盤，這使得速度變慢，但Spark將其計算緩存在內存中。

Apache Spark專為數據科學而設計，它可以幫助更快地運行復雜的算法。它還有助于數據科學家處理復雜的非結構化數據集，你可以在一臺機器或一組機器上使用它。Apache spark使數據科學家能夠防止數據科學中的數據丟失。Apache Spark的優(yōu)勢在于其速度和平臺，這使得開展數據科學項目變得容易。借助Apache spark，你可以執(zhí)行從數據采集到分布式計算的分析。

7.機器學習和AI

大量數據科學家并不精通機器學習領域和技術，這包括神經網絡，強化學習，對抗性學習等。如果你想從其他數據科學家中脫穎而出，你需要了解機器學習技術，如監(jiān)督機器學習、決策樹、邏輯回歸等。這些技能將幫助你解決基于主要組織結果預測的不同數據科學問題。

數據科學需要應用于機器學習的不同領域。Kaggle在其中一項調查中發(fā)現(xiàn)，一小部分數據專業(yè)的人員具備先進的機器學習技能，如監(jiān)督機器學習、無監(jiān)督機器學習、時間序列、自然語言處理、異常值檢測、計算機視覺、推薦引擎、強化學習和對抗性學習。

8.數據可視化

商業(yè)世界經常產生大量數據，這些數據需要被翻譯成易于理解的格式。與原始數據相比，人們可以更自然地以圖表和圖形的形式理解數據，常言道：“一張圖片勝過千言萬語”。

作為數據科學家，你必須能夠借助數據可視化工具(如ggplot，d3.js和Matplottlib以及Tableau)可視化數據。這些工具將幫助你將項目中的復雜結果轉換為易于理解的格式。問題是，很多人不了解序列相關性或p值，你需要直觀地向他們展示這些術語在結果中的表示。

數據可視化使組織有機會直接處理數據，他們可以快速掌握并且?guī)椭麄冊诟偁幹凶プ⌒律虣C。

9.非結構化數據

數據科學家能夠處理非結構化數據至關重要。非結構化數據是未定義的內容，不適合數據庫表，其中包括視頻、博客文章、客戶評論、社交媒體帖子、音頻等。對這些類型的數據進行排序很困難，因為它們沒有邏輯可言。由于其復雜性，大多數人將非結構化數據稱為“黑暗分析”。使用非結構化數據可以幫助你揭示對決策有用的洞察力。作為數據科學家，你必須能夠理解和操縱來自不同的平臺的非結構化數據。

非技術技能

10.好奇心

“我沒有特殊才能。我只是充滿好奇心。”-愛因斯坦。

毫無疑問，你最近可能多次看到過這句話，因為它與數據科學家有關。一位資深數據科學家描述過它的含義，并在幾個月前的博客中將其視為必要的“軟技能。

好奇心可以被定義為獲得更多知識的愿望。作為數據科學家，你需要能夠提出有關數據的問題，因為數據科學家花費大約80%的時間來發(fā)現(xiàn)和準備數據。這是因為數據科學領域是一個發(fā)展非?？斓念I域，你必須學習更多以跟上節(jié)奏。

你需要通過在線閱讀內容和閱讀有關數據科學趨勢的相關書籍來定期更新你的知識。不要被在互聯(lián)網上飛來飛去的大量數據所淹沒，你必須能夠知道如何理解這一切。好奇心是成為數據科學家所需要的技能之一。例如，最初你可能沒有太多了解你收集的數據。好奇心將使你能夠篩選數據以查找答案和更多見解。

11.商業(yè)頭腦

要成為一名數據科學家，你需要對你正在從事的行業(yè)有充分的了解，并了解貴公司正在努力解決的業(yè)務問題。在數據科學方面，除了確定企業(yè)應利用其數據的新方法之外，能夠識別哪些問題對于業(yè)務而言至關重要是重要的。

為了能夠做到這一點，你必須了解你解決的問題如何影響業(yè)務。這就是你需要了解企業(yè)運營方式的原因，以便你可以將你的工作指向正確的方向。

12.溝通技巧

尋找強大數據科學家的公司正在尋找能夠清晰流利地將技術發(fā)現(xiàn)轉化為非技術團隊的人員，例如市場營銷部門或銷售部門。數據科學家必須使企業(yè)能夠通過量化的洞察力來制定決策，此外還要了解非技術同事的需求，以便恰當地糾正數據。

除了說出公司理解的相同語言外，你還需要使用數據敘述進行溝通。作為數據科學家，你必須知道如何圍繞數據創(chuàng)建故事情節(jié)，以便任何人都能輕松理解。例如，呈現(xiàn)數據表不如以敘事格式從這些數據中分享見解那樣有效。使用講故事將幫助你將你的發(fā)現(xiàn)正確地傳達給你的雇主。

溝通時，請注意嵌入在你分析的數據中的結果和值。大多數企業(yè)主不想知道你分析的內容，他們對如何積極地影響他們的業(yè)務感興趣。學會專注于通過溝通提供價值和建立持久的關系。

13.團隊合作

數據科學家不能單獨工作，你不得不與公司高管合作制定戰(zhàn)略，與產品經理和設計師一起創(chuàng)造更好的產品，還要與營銷人員合作以推出更好的營銷活動，最重要的還要與客戶和服務器軟件開發(fā)人員合作創(chuàng)建數據管道并改進工作流程，你必須與組織中的每個人(包括你的客戶)合作。

從本質上講，你將與你的團隊成員合作開發(fā)應用，以了解解決問題所需的業(yè)務目標和數據。你需要了解正確的方法來解決問題以及如何將結果轉換并呈現(xiàn)​​給所有相關人員都能輕松理解的內容。