[[342168]]

數(shù)據(jù)科學一直是個引人注目的領域，尤其是對于那些有計算機科學、統(tǒng)計、業(yè)務分析、工程管理、物理、數(shù)學等學科背景的年輕人。但霧里看花始終看不清晰，人們總是認為數(shù)據(jù)科學背后有許多神秘的地方，覺得它不僅僅是機器學習和統(tǒng)計。

多年來，我與許多專業(yè)人士討論過該如何進入數(shù)據(jù)科學領域。為什么總有關于數(shù)據(jù)科學的炒作?能夠幫助人們走進這一領域的仍然是統(tǒng)計數(shù)據(jù)和機器學習嗎?未來也仍是如此嗎?

兩個月前，我從研究生院畢業(yè)后直接作為數(shù)據(jù)科學家加入了媒體巨頭ViacomCBS。除了研究助理和實習之外，沒有任何全職行業(yè)經(jīng)驗。我的工作職責包括從構想、開發(fā)到生產(chǎn)ML產(chǎn)品，使用過文中列出的大部分工作方式。希望本文能幫到所有有志于進軍這一領域的數(shù)據(jù)科學家和機器學習工程師們。

為什么總有關于數(shù)據(jù)科學的炒作?

幾乎人人都想要進入數(shù)據(jù)科學領域。幾年前，數(shù)據(jù)科學領域存在供需問題：自從DJPatil博士和JeffHammerbacher創(chuàng)造了Data Science一詞后，對數(shù)據(jù)科學家的需求大大增加，相關人才顯得供不應求。

到了2020年，情況有所好轉。受到過正規(guī)或者MOOC教育的數(shù)據(jù)科學愛好者的數(shù)量有所增加，人才需求也有所增加，但沒達到前者的增長程度。這一術語所涵蓋的領域越來越廣泛，包含了人們進行數(shù)據(jù)科學工作所需的大多數(shù)功能。每個人都在談論數(shù)據(jù)科學，但大多數(shù)卻不得其法。

我認為數(shù)據(jù)科學總被炒作有以下幾個原因：

• 前沿發(fā)展
• 工作滿意度高
• 業(yè)務影響巨大
• 數(shù)據(jù)生成量增加
• 數(shù)據(jù)科學家頭銜背后的神秘感
• 數(shù)據(jù)很好看!(不是字面意思~)
• 大量學校和訓練營能提供數(shù)據(jù)科學學位
• 許多招聘網(wǎng)站將其評為最熱門的工作(最近3年被Glassdoor評為美國最熱門的工作)

自稱是數(shù)據(jù)科學家的人?

總有人會這么介紹自己，所以讓我就當前的行業(yè)狀況講一些真相。

由于職位需求的增加和數(shù)據(jù)科學家頭銜的光鮮，許多公司已開始將產(chǎn)品分析師、商業(yè)情報分析師、業(yè)務分析師、供應鏈分析師、數(shù)據(jù)分析師和統(tǒng)計學家的職位改為數(shù)據(jù)科學家，因為許多人離職的原因便是去應聘數(shù)據(jù)科學家的職位，但實際上這些公司提供的工作內容往往是一樣的。

許多人從職位頭銜微小的字詞變化中感到了被尊重。因此，公司們以相同的思路改變職位名稱，使他們的職位顯得更耀眼也更令人期待，例如數(shù)據(jù)科學家-分析方向、產(chǎn)品數(shù)據(jù)科學家、數(shù)據(jù)科學家-增長方向、數(shù)據(jù)科學家-供應鏈方向、數(shù)據(jù)科學家-可視化方向或數(shù)據(jù)科學家，還有什么不能加的方向?

大多數(shù)接受教育或者在線培訓的人都有一個誤區(qū)，認為所有數(shù)據(jù)科學家都會建立精致的機器學習模型，但這種認知并不完全正確。我剛開始攻讀應用數(shù)據(jù)科學碩士時就是這樣想的，以為大多數(shù)數(shù)據(jù)科學家都是做機器學習。

但是當我開始在美國實習和就業(yè)時，才逐漸了解真相。推動人們走向數(shù)據(jù)科學的力量，其實源自對人工智能及其業(yè)務影響的炒作。

下一代數(shù)據(jù)科學家——機器學習

在2020年，對于想要以數(shù)據(jù)科學家-ML方向(這樣命名因為它不是數(shù)據(jù)科學家-分析方向)的身份進行應用機器學習，卻又沒有博士學位的人來說，除了人人都可做的將機器學習應用到數(shù)據(jù)集，可選的方法更多了。我將從自身經(jīng)驗出發(fā)分享一些關鍵點，或許有助于你的面試：

• 分布式數(shù)據(jù)處理/機器學習：掌握Apache Spark、ApacheHadoop、Dask等技術的實踐經(jīng)驗能夠證明你可以大規(guī)模創(chuàng)建Data / ML管道。有以上任何一種技術的應用經(jīng)驗都很加分，不過我還是建議使用Apache Spark(使用Python或Scala)。
• 生產(chǎn)環(huán)境機器學習/數(shù)據(jù)管道：如果可以親身體驗Apache Airflow就再好不過了。ApacheAirflow是用于創(chuàng)建數(shù)據(jù)和機器學習管道的標準開源作業(yè)編排工具。行業(yè)里已經(jīng)在使用它，因此建議你學習并圍繞它進行一些項目。
• DevOps/Cloud：數(shù)據(jù)科學領域，很多人都過分忽視了DevOps。如果沒有基礎架構的話，要如何構建ML管道?構建在本地計算機上運行的筆記本或代碼，并不像我們在課程中所做的那樣容易。你編寫的代碼應該可跨自己或其他人可能在團隊中創(chuàng)建的基礎結構進行擴展。

許多公司可能尚未布局ML基礎架構，正在尋找入門人員。即使在課程學習中，熟悉Docker，Kubernetes以及使用Flask之類的框架構建ML應用程序也應該是標準做法。我喜歡Docker，因為它具有可擴展性，可以構建基礎架構映像，并在Kubernetes集群上的服務器/云上復制相同的內容。

• 數(shù)據(jù)庫：必須了解數(shù)據(jù)庫和查詢語言。盡管SQL被嚴重忽略，但無論在任何云平臺或數(shù)據(jù)庫上，它仍然是行業(yè)標準。開始在leetcode上練習復雜的SQL將幫助到你應對在DS profiles中的某些編碼面試部分，因為你要負責在預處理進行時從倉庫中導入數(shù)據(jù)，這將簡化你在運行ML模型前進行預處理。使用SQL將數(shù)據(jù)傳輸?shù)侥Ｐ椭袝r，大多數(shù)功能工程可以隨時隨地完成，然而很多人會忽略這點。
• 編程語言：推薦用于數(shù)據(jù)科學的編程語言是Python、R語言、Scala和Java，了解他們中的任何一個都可以幫助你解決問題。對于ML類型的工作，面試過程中都將進行現(xiàn)場編碼，因此你需要在自己覺得有效率的地方練習——Leetcode或者Hackerrank等。

如今，除非你足夠幸運，在行業(yè)中有一些重要的關系(建立人際關系網(wǎng)非常重要!)或擁有署名的出色研究記錄，否則只了解機器學習或統(tǒng)計學的話，你仍無法進入數(shù)據(jù)科學領域并學習ML。商業(yè)應用程序和領域知識往往需要工作經(jīng)驗，但是除了在相關行業(yè)進行實習之外，這些經(jīng)驗事先無從習得。

我也曾站在數(shù)據(jù)科學的路口徘徊，如今就要親歷下一代數(shù)據(jù)科學家進入領域的需求在當下成型。這個行業(yè)日新月異，需要你不斷調整自己跟上它的腳步。

本文轉載自微信公眾號「讀芯術」，可以通過以下二維碼關注。轉載本文請聯(lián)系讀芯術公眾號。