如何从小白成长为数据科学家

本文是作者在赤兔APP“数据挖掘”小组内在线分享的记录的第【2】部分。

本次分享第【1】部分：什么是数据科学。

分享主题：Data Science学习分享会

分享时间：2016年4月18日晚8：00-10：00

分享地点：赤兔“数据挖掘”小组，线上

分享嘉宾：黄逸洲，来自美国华盛顿大学信息管理专业的研究生，专攻数据科学。

为什么我们要成为一名数据科学家？

• 哈佛商业评论曾今说过，数据科学家是21世纪最性感的职业。
• 习大大也说过，现在国家要进入大数据+。
• 数据分析有更多地机会和领导层接触，为他们提供决策支持，所以也有很好地晋升机会。

这么多好处摆在那里，这个问题就不用问了吧。

数据科学的岗位有很多种，其中数据科学家，数据分析师，数据架构师，数据工程师最为常见。他们的职能各有不同:

• 数据分析师擅长处理和进行统计分析；
• 数据工程师偏向大数据系统的维护和开发；
• 数据科学家更多地要进行大数据的机器学习和理论分析。

麦肯锡的报告显示，未来对于数据科学相关人才的需求会有很大的缺口，所以从事数据科学也是一个很有潜力的工作。

所以什么是数据科学家？数据科学家的目标是将数据转化为价值。

Airbnb的首席数据科学家Riley Newman在一篇博文里面这样定义数据科学家：数据不是冰冷的数字，而是顾客的声音，数据记录了顾客的的行为和发生的事件，反应的是顾客决策的过程。

数据科学家不仅仅是要能够回答问题，测量事物，回答诸如：意大利最有名的十个旅游景点这种数字问题。一个好的数据科学家，是要能从数据中了解人们的想法，发现人们的需求，得出自己的观点见解，能够利用这些得出的观点见解去影响决策，并能够确保这个决策得到想要的影响。

所以说，数据科学家的工作时很有挑战性的。

上图显示，这个世界的数据正在快速增加，有一个比较夸张的说法就是现在过去的十分钟时间里，产生的数据量是2003年以前所有数据量的总和。这样看来，我们真的已经进入大数据时代了。

数据产生的方式有很多种，社交网络，移动设备，等等。现在都说internet ofthing（IoT）的概念，万物互联，任何设备都有可能接入网络，产生数据。

下面是一张手机的传感器图，图中显示的每个传感器都在不停的产生数据，可想而知，世界上每秒钟产生的庞大数量。

所以什么是大数据？大数据就是指一个很庞大的数据集合，一台设备无法进行处理。

知道了这些概念，我们就进入另一个话题，我们该如何学习数据科学?

数据科学实际上是计算机、统计和数学的交叉集合。

要成为数据科学家需要：

• 计算机的编程能力——在计算机方面，掌握一到两种编程语言对于成为数据科学家会有很大的帮助，如Java和Python，基本的数据结构和算法基础也是需要的。
• 数学的理论基础——统计学基础，机器学习，以及计量经济学都在数据分析中十分重要。
• 处理大规模数据的能力——由于数据量在不断上升，了解可拓展的数据存储，计算和管理能力，了解Hadoop，Spark这样的大数据处理平台，也是十分重要的。
• 数据可视化能力——分析最后最关键的步骤就是将分析结果展示给别人看，并且不能太复杂，要能够让一个没有任何数据背景的的人，很容易理解图中要表达的内容。

下图给出的是一名全能数据科学家应该具有的能力：

接下来介绍的是美国一些大学对于数据科学这门专业的课程设置。

我参考了图中的四所大学，并根据自己专业的课程设置，可以清楚的归结成5个方面，统计和数学，计算机编程，机器学习，分布式系统，以及数据挖掘和数据分析。

这四所学校的课程基本就是围绕这几个方面展开的。所以给大家提供一个参考，可以有计划的学习者5个不同知识点得内容。

下面，我参考网上和自己的经历，提供的一个比较系统的学习路径：

首先要入门数据科学，必备技能就是统计学基础。

你要明白你所做的分析到底要表示什么，数据怎么来，假设可不可靠，以及如何由样本去估计总体。这些基本的知识点都会在以后每次的分析中用到。

其次，经常会有些人问到，我该学习R 还是python？

你可以先问自己这三个问题：你要解决什么样的问题？你学习一门程序语言的成本？在你的领域最常用的工具是什么？

越接近统计研究跟数据分析人，越倾向R；越接近工程开发工程环境的人，越倾向Python。

R的优势在于有强大的代码库和制图能力，使统计分析和数据分析变得更容易，统计通用语言，不会编程也会用。所以我个人经验，如果学有余力，都可以学一遍，利用两种语言的优势，可能会有更好地分析结果。