盡管最近圍繞數(shù)據(jù)科學的討論不斷，但對于許多技術人員來說，與其他技術職業(yè)相比，數(shù)據(jù)科學是復雜、不明晰的，并且涉及太多的未知數(shù)。與此同時，少數(shù)冒險進入該領域的人不斷聽到一些令人沮喪的數(shù)據(jù)科學神話和觀念。

但是，在我看來這些故事中的大多數(shù)都是普遍的誤解。實際上，數(shù)據(jù)科學并不像人們想象的那么可怕。因此，在本文中，我們將揭穿 10 個最受歡迎的數(shù)據(jù)科學誤區(qū)。

誤區(qū)一：數(shù)據(jù)科學只適合數(shù)學天才

雖然數(shù)據(jù)科學確實有其數(shù)學元素，但沒有規(guī)則說你必須是數(shù)學大師。除了標準的統(tǒng)計和概率之外，該領域還包括許多其他非嚴格的數(shù)學知識。

即使在涉及數(shù)學的領域，您也無需深入重新學習抽象理論和公式。當然，這并是要完全排除數(shù)據(jù)科學對數(shù)學的需求。

與大多數(shù)分析職業(yè)道路一樣，數(shù)據(jù)科學需要某些數(shù)學領域的基礎知識。這些領域包括統(tǒng)計學、代數(shù)和微積分。因此，雖然數(shù)學不是數(shù)據(jù)科學的主要重點，但也無法完全避免數(shù)字。

誤區(qū)二：沒有人需要數(shù)據(jù)科學家

與軟件開發(fā)和UI / UX設計等更加成熟的技術專業(yè)不同，數(shù)據(jù)科學仍然越來越受歡迎。然而，對數(shù)據(jù)科學家的需求仍在穩(wěn)步上升。

例如，美國勞工統(tǒng)計局估計，至 2021 年，對數(shù)據(jù)科學家的需求將增長 2031%。這一估計并不奇怪，因為由于數(shù)據(jù)量的增加，包括公務員、金融和醫(yī)療保健在內(nèi)的許多行業(yè)已經(jīng)開始看到數(shù)據(jù)科學家的必要性。

對于許多沒有數(shù)據(jù)科學家的公司來說，大數(shù)據(jù)很難發(fā)布準確的信息。因此，盡管您的技能組合可能不像其他技術領域那樣受歡迎，但它同樣必要。

誤區(qū)三：人工智能將減少對數(shù)據(jù)科學的需求

今天，人工智能似乎可以解決所有需求。人工智能被用于醫(yī)學、軍事、自動駕駛汽車、編程、論文寫作，甚至家庭作業(yè)?，F(xiàn)在，每個專業(yè)人士都擔心有一天機器人會代替他們工作。

但這種恐懼對數(shù)據(jù)科學來說并不屬實。人工智能可能會減少對一些基礎工作的需求，但它仍然需要數(shù)據(jù)科學家的決策和批判性思維技能。

人工智能能夠生成信息、收集和處理更大的數(shù)據(jù)，但并沒有取代數(shù)據(jù)科學，這是因為大多數(shù)人工智能和機器學習算法都依賴于數(shù)據(jù)，這就產(chǎn)生了對數(shù)據(jù)科學家的需求。

誤區(qū)四：數(shù)據(jù)科學僅包含預測建模

數(shù)據(jù)科學可能涉及構建基于過去發(fā)生的事件預測未來的模型，但它是否僅圍繞預測建模？當然不是！

用于預測目的的訓練數(shù)據(jù)看起來像是數(shù)據(jù)科學中花哨而有趣的部分。即便如此，清理和數(shù)據(jù)轉(zhuǎn)換等幕后瑣事同樣重要。

收集大型數(shù)據(jù)集后，數(shù)據(jù)科學家必須從集合中篩選必要的數(shù)據(jù)以保持數(shù)據(jù)質(zhì)量，因此預測建模是該領域的任務性、不可缺少的部分。

誤區(qū)五：每個數(shù)據(jù)科學家都是計算機科學專業(yè)的畢業(yè)生

這是最大的數(shù)據(jù)科學誤區(qū)之一。無論您的大學專業(yè)如何，只要有合適的知識庫、課程和導師，您都可以成為一名優(yōu)秀的數(shù)據(jù)科學家。無論您是計算機科學還是哲學專業(yè)的畢業(yè)生，數(shù)據(jù)科學都在您的掌握之中。

但是，您應該知道一些事情。雖然這條職業(yè)道路對任何有興趣和動力的人開放，但您的學習課程將決定您學習的難易程度和速度。例如，計算機科學或數(shù)學畢業(yè)生比來自不相關領域的人更有可能更快地掌握數(shù)據(jù)科學概念。

誤區(qū)六：數(shù)據(jù)科學家只寫代碼

任何有經(jīng)驗的數(shù)據(jù)科學家都會告訴你，數(shù)據(jù)科學家只寫代碼這個概念是完全錯誤的。盡管大多數(shù)數(shù)據(jù)科學家在此過程中編寫了一些代碼，但根據(jù)工作的性質(zhì)，編碼只是數(shù)據(jù)科學的冰山一角。

編寫代碼只能完成部分工作。但是，代碼用于構建程序，數(shù)據(jù)科學家用于預測建模、分析或原型的算法。編碼只會促進工作流程，因此稱其為主要工作是一個誤導性的數(shù)據(jù)科學誤區(qū)。

誤區(qū)七：Power BI是數(shù)據(jù)科學所需的唯一工具

微軟的Power BI是一款明星數(shù)據(jù)科學和分析工具，具有強大的功能和分析能力。但是，與流行觀點相反，學習使用 Power BI 只是在數(shù)據(jù)科學領域取得成功所需的部分內(nèi)容;它涉及的遠不止這個單一的工具。

例如，雖然編寫代碼不是數(shù)據(jù)科學的中心焦點，但你需要學習一些編程語言，通常是Python和R。您還需要了解 Excel 等軟件包，并與數(shù)據(jù)庫密切合作，從中提取和整理數(shù)據(jù)。隨意獲取課程來幫助你掌握 Power BI，但請記住;這不是路的盡頭。

誤區(qū)八：數(shù)據(jù)科學只對大公司是必要的

在學習數(shù)據(jù)科學時，一般的印象是你只能從任何行業(yè)的大公司找到工作。換句話說，未能被亞馬遜或Meta等公司聘用等同于任何數(shù)據(jù)科學家的工作不可用。

然而，合格的數(shù)據(jù)科學家有很多工作機會，尤其是在今天。任何直接處理消費者數(shù)據(jù)的企業(yè)，無論是初創(chuàng)公司還是價值數(shù)百萬美元的公司，都需要數(shù)據(jù)科學家才能獲得最佳性能。

也就是說，整理你的簡歷，看看你的數(shù)據(jù)科學技能可以為周圍的公司帶來什么。

誤區(qū)九：更大的數(shù)據(jù)等同于更準確的結果和預測

雖然這種說法通常是有效的，但它仍然是半真半假的。與較小的數(shù)據(jù)集相比，大型數(shù)據(jù)集可以減少誤差范圍，但準確性不僅僅取決于數(shù)據(jù)大小。

首先，數(shù)據(jù)質(zhì)量很重要。僅當收集的數(shù)據(jù)適合解決問題時，大型數(shù)據(jù)集才會有所幫助。此外，使用人工智能工具，在一定水平之前，更多的數(shù)量是有益的。在此之后，更多的數(shù)據(jù)并不會產(chǎn)生任何價值。

誤區(qū)十：自學數(shù)據(jù)科學是不可能的

自學數(shù)據(jù)科學是不可能的，這是最大的數(shù)據(jù)科學誤區(qū)之一。與其他技術路徑類似，自學數(shù)據(jù)科學是非?？赡艿?，尤其是在我們目前可用的資源豐富的情況下。Coursera，Udemy，LinkedIn Learning等平臺以及其他資源豐富的教程網(wǎng)站都有課程，可以快速跟蹤您的數(shù)據(jù)科學增長。

當然，您目前處于什么水平并不重要，新手、中級或?qū)I(yè);有適合您的課程或認證。因此，雖然數(shù)據(jù)科學可能有點復雜，但這并不會使自學數(shù)據(jù)科學變得牽強或不可能。

數(shù)據(jù)科學的意義遠不止于此

盡管對這個領域很感興趣，但上面的數(shù)據(jù)科學誤區(qū)以及更多內(nèi)容使一些技術愛好者避開了這個角色。現(xiàn)在，您有了正確的信息，那么您還在等什么？探索學習眾多詳細課程，立即開始您的數(shù)據(jù)科學之旅。

原文標題：10 Common Data Science Myths You Should Unlearn Now

原文作者：JOSHUA ADEGOKE