如何成为一名数据科学家 | 学习篇(附视频中字)

CDA字幕组 编译整理

本文为 CDA 数据分析师原创作品，转载需授权

数据科学家是21世纪最性感的职业，那么该如何成为一名数据科学家呢？HackerEarth的主题演讲中就回答了这一系列的问题。

HackerEarth的主题演讲围绕如何成为一名数据科学家解答了一系列问题。在这里我们把内容分成上下两篇，如何成为一名数据科学家之学习篇和面试篇。今天先给大家带来学习篇的内容。

在本篇中Jesse steinweg - woods向大家讲解了为什么现在是成为数据科学家的最佳时机；如何迈出成为数据科学家的第一步等问题。

关于主讲人:

Jesse steinweg - woods是Tronc的一名资深数据科学家，主攻文章的推荐系统和理解客户行为。此前，他在Argo Group Insurance工作，主要利用机器学习技术采用了新的定价模型。他在德克萨斯A&M大学获得了大气科学博士学位，他的研究领域是数值天气和气候预测。

CDA字幕组该讲座视频进行了汉化，附有中文字幕的视频如下：

针对不方面开视频的小伙伴，CDA字幕组也贴心的整理了文字版本，文字版本如下：

欢迎收看今天的HackerEarth研讨会，今天的主题是关于如何成为一名数据科学家。我对此非常期待，希望你们也是如此。

让我简单的自我介绍一下，我叫Jesse Steinweg-Woods。我在德克萨斯州A&M大学获得大气科学专业的博士学位。我研究主攻数值天气和天气预测。之前我在Argo Group Insurance工作，2015年11月我成为了一名数据科学家。

我通过机器学习技术进行定价模型相关工作，这对于保险业来说是很新颖的。之后我将担任Tronc公司的一名高级数据科学家。

Tronc主要负责美国一些报纸的在线内容。例如洛杉矶时报、芝加哥论坛报、巴尔的摩太阳报、奥兰多哨兵报等等。我之后可能会参与到报纸网站推荐系统的开发，以及更好的理解用户等方面的工作。

为什么要成为数据科学家？

首先我想谈谈为什么现在可能是成为数据科学家的好时机。

美国的Glassdoor是一个关注大量工作的统计信息，上面会发布公司面试、薪资信息。他们收集大量的数据 ，然后针对以下内容进行调查：包括工作的满意度、工作岗位的需求量、薪资、工作与生活的平衡等方面。然后把这些都整合为得分，得出最好工作的名单。

2016年数据科学家名列第一。但今年在Glassdoor上个月发布的名单中，数据科学家连续两年名列最好的工作的首位。目前它的成绩很不错。

indeed 数据科学家职业发展趋势

如果看到indeed关于数据科学家工作趋势的图，你可以看到它确实呈上升趋势。

我第一次听说数据科学这个概念是在2013年10月。之后经过一些思考和研究，我发现这实际是一个我可以从事的工作。

从这之后数据科学一直在上升发展。尤其是在2016年达到一个顶峰，这是市场需求。

这份工作能够给你提供良好的工作与生活平衡，有不错的薪资，让你有机会在众多的行业中工作，这是很有发展的。

如何成为数据科学家

这里有些关于数据科学家的搞笑表情包。我觉得这很搞笑，当中也有些是贴近事实。

对于不同的人群数据科学是不同的，这使得它很难以理解。不仅源于从事该工作的人群，也源于招募数据科学家人群的公司。

关于这份工作需要些什么?这当中存在许多误解，我将尝试从我自己的角度进行解释。

是否需要博士学位？

我发现经常被问到的是，数据科学家是否需要博士学位？

如果你询问没有博士学位的数据科学家，他们马上会回答"不需要”。

但是如果是像我一样，有博士学位的数据科学家给出的答案会很微妙。我不会回答不需要，而会说"这得看情况"。可能对人们来说，这不是一个满意的答案。

让我们看到来自招聘论坛Burtch Works的数据统计。

去年他们对许多数据科学家进行了调查。在这里你可以看到，许多数据科学家的实际上有博士学位。很大一部分至少有硕士学位，只有8％拥有学士学位。

我还看了一些我认识的数据科学家的简历，以及各种就业市场的情况，这些都符合我对该领域的了解。

因此，如果你想成为一名数据科学家，至少在美国，拥有硕士及以上学历是很重要的。我并不是说如今只有本科学历就无法成为数据科学家，有一些出色的数据科学家仅有本科学历。对于大多数人来说，获得硕士及以上学历在求职时是非常重要的。

我认为博士学位能让你更容易迈入求职大门。博士学历表明你能够在高强度下，面对棘手的问题并且快速的学习。作为数据科学家你需要大量的工作，我想这就是雇主看重博士学位的原因。

我还注意到，最终如果你想晋升到领导层。有博士学位会比有硕士学位更容易一些。并不是说这是不可能发生，但有博士学会会容易一些。

数据科学家的主要教育背景

数据科学家的背景涉及的领域较广，最热门的背景是数学和统计学。

有些人有工程学背景，以及计算机科学。数据科学混合了计算机科学、数学以及统计。

自然科学。我的博士学历是关于大气科学。该部分处于第四位。

然后是社会科学、经济学、商科、运筹学甚至还有医学，这些相关性不高。

数据科学中Python和R语言是最热门的两个编程语言。

不同背景的人群在选择这两种编程语言上有一定相关性。

统计学家更多使用R语言。但对于工程学、计算机科学和自然科学，Python显然更受欢迎。社会科学和经济领域更倾向于使用R语言。当然存在一些例外。

要掌握的基础知识

1. 选择一个为数据科学设计的开源语言

这里你基本上只有两个选择Python或R语言。

如果你对以上所有语言都不太熟悉，我个人建议你选择Python。

如果你都熟悉这些语言的话，R语言也是不错的选择。

但假如你是新手，你对这些一无所知那么建议选择Python。如果你已经很熟悉R语言了，那么就使用R语言。然后熟悉数据科学家在R语言中使用的流行的库。

曾经我研究过雇主一般更需要哪种职业技能。当中Python比R语言略胜一筹。

你还会发现在SAS和MATLAB上划了很大的叉，我不建议学习这些语言。因为它们不是开源的，它们需要付费，而且很昂贵。在找工作时这会有一定的局限性。例如创业公司缺少资金，他们需要很快的得到结果。他们不会有资金投入在Sas上 因为其license是很昂贵的。

这些需要付费的非开源工具的另一个缺点在于，使用文档少。

如Python和R语言的开源工具，就很容易在Stack Overflow等网站上找到你问题的答案。

由于SAS属于北卡罗莱纳州，编写该语言的公司。获得相关帮助的唯一途径是通过用户手册，或者熟悉SAS的人。比起Python和R语言，获得相关帮助是非常困难。

同时你也会遇到灵活性问题。大部分时间你唯一能使用的只有SAS和MATLAB工具。但是由于Python和R语言都很开放，你可以改变它的代码，非常的灵活。在数据科学中灵活性十分重要。因为在不同项目中要用到的东西也大不相同。

Burtch Works的调查再次证明了这点。

看到右侧的预测分析专家和左侧数据科学家，可以在SAS的使用上看到很大的区别。

预测分析更类似数据分析中SAS占43%，但在数据科学家中一直下降到3%。因此可以在工具使用上看到巨大的差异。预测分析中Python使用率仅为16％，但在数据科学家中一路攀升到53％。

因此通过这些信息，我认为你应该选择开源的工具，如Python或R语言。并远离那些昂贵的工具，如SAS或MATLAB。

我更喜欢Python，我认为从长远的角度这是更好的工具。这些是使用在Python数据栈中的一些常规的库。

Python Data Stack

建议学好使用这些库。

panda是十分出色的用于操纵数据的库，当中有数据框。如果你经常用的话，这将是你的主力。这是我遇到的设计得最出色的库之一。我强烈推荐。

NumPy和SciPy这两个库构成了其他很多库的主干。在快速高效地计算矩阵，处理优化问题，需要快速计算数字和矩阵方面的问题时，这两个库很实用。它们构成了其他很多工具的基础。

Matplotlib用于进行可视化。还有在Matplotlib上产生的工具例如Seaborn。Seaborn更容易使用一些，这也是对Matplotlib的抱怨之一，它不是太好使用。我同意这一点。

IPython能让在交互环境中输入代码，得到结果。Jupyter notebook能更好的记录你的工作，并与他人分享。

scikit-learn包含一些机器学习的库，适用于各种问题。文档十分出色，因此是值得掌握的库。因为文档十分出色，比较容易学。

2. 学好SQL很重要

学习SQL要么是通过实习，要么是通过自己摸索。好消息是SQL并不难学，它需要多练习。

我发现最适合练习SQL的就是这个网站sqlzoo.net。这能够引导你完成许多作为数据科学家的常见操作。因为与数据库交互是非常重要的，不能轻视这点。

当参加面试时，如果完全没有SQL的经验，这可能会给你亮红灯。所以确保掌握SQL是非常重要的。

3. 机器学习

这里我推荐三个资源，吴恩达的Coursera课程非常热门，在此我强烈推荐。

虽然是用MATLAB进行的编码，但是你不必使用MATLAB，这只是他教学的方式。我会更专注于他是如何进行这些算法的。这是开始进行机器学习的不错方式。

如果你准备好学习一些骨灰级内容的话，《统计学习导论》是不错的选择。这本书非常偏重数学部分，并不适合初学者。

当中使用R语言,我认为每个骨灰级的数据科学家都应该读读这本书。因为它详尽的囊括了所有你可能用到的机器学习算法，这是针对该主题我所知最好的书。我承认这本书很难读，但是如果你真的想好好掌握这方面内容的话，这本书是不二之选。

当然还有scikit-learn文档。

这是这个库的优势之一是有很多可以看的教程，可以指导你学习处理许多模型。以及根据对象的组成代码应该如何运行，如何与管道、交叉验证进行交互等等。这些都包含在文档中，通过这些教程会大大的帮助你。

4. 贝叶斯统计

数据科学家还需要掌握一些贝叶斯统计。这当然也取决于工作，有些工作比起其他工作更需要掌握这个。但对于大多数工作 开始掌握一些基础则足以。

我建议这两个资源。

《Bayesian Methods for Hackers》

这是Cameron Davidsonpilonon写的。在github是免费的，有交互代码的例子。你可以结合notebook一起看，能够很好的理解。更多的是以计算机科学的视角解读，如何使用贝叶斯统计，以及如何考虑最终要处理的基础统计问题。

《Statistics for Hackers》

是很出色的演讲，可以通过这个链接看到相关幻灯片。主讲人是华盛顿大学的教授Jake VanderPlas。我强烈推荐。

5. 概率分布

你需要掌握基本概率分布。需要了解它们的表达和含义。理解它们是非常重要的，因为当你构建模型时需要了解一开始数据是如何分布的。

那么在完成数据科学家的第一步之后，该怎么面试找工作呢？关于数据科学存在什么误解和假象呢？之后我们将带来如何成为一名数据科学家之面试篇，敬请期待哦。