本文轉(zhuǎn)載自公眾號“讀芯術”(ID：AI_Discovery)。

很多對數(shù)據(jù)科學領域感興趣的人，最關心的問題之一就是：獲得數(shù)據(jù)科學方面的能力需要多長時間?

本文將討論典型的數(shù)據(jù)科學能力進程表。獲得數(shù)據(jù)科學能力所需的時間取決于能力的水平，共分為三個層次，最后將討論基于興趣水平獲得數(shù)據(jù)科學能力所需的時間。注意本文提供的觀點是基于自己的數(shù)據(jù)科學經(jīng)驗提出的個人觀點。

[[356178]]

數(shù)據(jù)科學的三個層次

在討論數(shù)據(jù)科學能力進程表之前，首先介紹數(shù)據(jù)科學的三個層次。本節(jié)將討論筆者認為的數(shù)據(jù)科學能力的三個層次：1級(基礎)、2級(中級)和3級(高級)。能力從1級增加到3級。這里將使用Python作為默認語言，即使其他編程語言(例如R，SAS和MATLAB)也可用于數(shù)據(jù)科學。

基礎水平

在第一級，你應該學會使用通常以逗號分隔符(CSV)文件格式表示的數(shù)據(jù)集，應該具備掌握數(shù)據(jù)基礎知識的能力，如數(shù)據(jù)可視化和線性回歸。

1. 數(shù)據(jù)基礎知識

能夠操作、清理、結(jié)構(gòu)化、縮放和設計數(shù)據(jù)。熟練使用pandas和NumPy庫，具備以下能力：

• 知道如何導入和導出以CSV文件格式存儲的數(shù)據(jù)
• 能夠清理、整理和組織數(shù)據(jù)以進行進一步分析或建模
• 能夠處理數(shù)據(jù)集中的缺失值
• 了解并能夠應用數(shù)據(jù)插值技術，例如均值或中位數(shù)插值
• 能夠處理類別數(shù)據(jù)
• 知道如何將數(shù)據(jù)集劃分為訓練和測試集
• 能夠使用諸如歸一化和標準化之類的縮放技術來縮放數(shù)據(jù)
• 能夠通過降維技術(例如主成分分析(PC))來壓縮數(shù)據(jù)

2. 數(shù)據(jù)可視化

能夠理解好的數(shù)據(jù)可視化的基本組成部分。能夠使用數(shù)據(jù)可視化工具，包括Python的matplotlib和seaborn包和R的ggplot2包。應該了解好的數(shù)據(jù)可視化的基本組成部分：

• 數(shù)據(jù)組件：決定如何可視化數(shù)據(jù)的重要的第一步是了解數(shù)據(jù)的類型，例如分類數(shù)據(jù)、離散數(shù)據(jù)、連續(xù)數(shù)據(jù)、時間序列數(shù)據(jù)等。
• 幾何組件：決定哪種可視化適合你的數(shù)據(jù)，例如散點圖、線圖、條形圖、直方圖、Q-Q圖、平滑密度圖、箱形圖、多變量圖以及熱圖等。
• 映射組件：需要確定將什么變量用作x變量，將什么變量用作y變量。這一點很重要，尤其是當數(shù)據(jù)集是具有多個特征的多維數(shù)據(jù)集時。
• 比例組件：決定使用哪種比例，例如線性比例、對數(shù)比例等。
• 標簽組件：包括軸標簽、標題、圖例、要使用的字體大小等內(nèi)容。
• 道德構(gòu)成要素：確保可視化過程是真實的。在清理、匯總、操作和生成數(shù)據(jù)可視化效果時注意操作，并確保不會使用可視化效果誤導或操縱受眾。

3. 監(jiān)督學習(預測連續(xù)目標變量)

熟悉線性回歸和其他高級回歸方法。能夠使用scikit-learn和caret等數(shù)據(jù)包進行線性回歸模型構(gòu)建。具有以下能力：

• 能夠使用NumPy或Pylab執(zhí)行簡單的回歸分析
• 能夠使用scikit-learn執(zhí)行多元回歸分析
• 了解正則化的回歸方法，例如Lasso回歸、嶺回歸和彈性網(wǎng)絡
• 了解其他非參數(shù)回歸方法，例如K近鄰回歸(KNR)和支持向量回歸(SVR)
• 了解評估回歸模型的各種指標，例如MSE(均方誤差)、MAE(平均絕對誤差)和R2分數(shù)
• 能夠比較不同的回歸模型

中級水平

除了基礎級別的技能和能力外，還應具備以下能力：

1. 監(jiān)督學習(預測連續(xù)目標變量)

熟悉二值分類算法，例如：

• 感知機分類器
• Logistic回歸分類器
• 支持向量機(SVM)
• 能夠使用核SVM解決非線性分類問題
• 決策樹分類器
• K最近分類器
• 樸素貝葉斯分類器
• 了解評估分類算法質(zhì)量的幾個指標，例如準確度、精確度、靈敏度，特異度、召回率、f-l得分、混淆矩陣以及ROC曲線。
• 能夠使用scikit-learn建立模型

2. 模型評估和超參數(shù)調(diào)整

• 能夠?qū)⒐艿?pipeline)中的變換操作和評估操作結(jié)合
• 能夠使用k折交叉驗證來評估模型性能
• 知道如何使用學習和驗證曲線來調(diào)試分類算法
• 能夠通過學習曲線診斷偏差和方差問題
• 能夠解決驗證曲線過擬合和欠擬合的問題
• 知道如何通過網(wǎng)格搜索微調(diào)機器學習模型
• 了解如何通過網(wǎng)格搜索調(diào)整超參數(shù)
• 能夠讀懂和解釋混淆矩陣
• 能夠繪制和解釋工作特性(ROC)曲線

3. 結(jié)合不同模型進行集成學習

• 能夠?qū)Σ煌姆诸惼魇褂眉煞椒?/li>
• 能夠結(jié)合不同的算法進行分類
• 知道如何評估和調(diào)整集成分類器

高級水平

能夠處理高級數(shù)據(jù)集，例如文本、圖像、語音和視頻。除基本和中級技能外，還應具備以下能力：

• 聚類算法(無監(jiān)督學習)
• K均值
• 深度學習
• 神經(jīng)網(wǎng)絡
• Keras
• TensorFlow
• Theano
• 云系統(tǒng)(AWS，Azure)

數(shù)據(jù)科學能力進程表

基礎水平需要6到12個月，中級水平需要7到18個，高級水平需要18到48個月。

數(shù)據(jù)科學能力的大致進程表| 圖源：Benjamin O. Tayo

需要注意，這些只是近似值。獲得一定水平的能力所需的時間長短取決于學科背景以及愿意在數(shù)據(jù)科學研究中投入多少時間。通常，和不具有數(shù)據(jù)科學相關背景的人相比，具有諸如物理學、數(shù)學、科學，工程、會計或計算機科學等分析學科背景的人需要的時間更少。

基礎水平可以在6到12個月內(nèi)達到，中級水平可以在7到18個月內(nèi)達到，高級水平可以在18到48個月內(nèi)達到。這完全取決于投入的精力和每個人的背景。總而言之，如果熱愛，那就去試試吧!