一篇文章告诉你如何成为数据科学家

通常来说,年轻人都很容易立志成为什么,例如成为一名科学家,然后又很快放弃。这一方面是因为摆在他们面前的诱惑太多,同时也因为成为一名科学家真的很不容易。

这一点放在数据科学上尤其突出。实际上,近年来随着数据科学和机器学习的火爆,我们经常能遇到刚毕业的大学生立志成为数据科学家,但很快又放弃的例子。究其原因,我认为在很大程度上是因为要成为一名真正的数据科学家,需要掌握的专业知识实在是太多了:包括计算机科学、编程基础、数学知识、机器学习算法甚至商业洞察力等等。

看起来这些知识无穷无尽,而且还在不断地发展和变化,似乎终其一生也无法完全掌握。但实际上并非如此,下文我们整理了成为数据科学家的四个关键因素,它们并没有想象中的庞杂,而且正是由于不断的发展和变化,因此对于新手来说通常只需要关注其中比较核心的基础知识就可以了。

成为数据科学家的四个关键因素:

  1. 编程基础:例如 R 语言和 Python 语言,这两种语言是数据科学家们最常使用的数据建模、数据清理和数据管理语言。
  2. 机器学习核心算法:例如回归、朴素贝叶斯、支持向量机 SVM(Support Vector Machine)、随机森林等,大部分面试官都希望面试者们能了解这些最基本的机器学习算法。
  3. 在恰当的问题上磨炼自己:对于数据科学家而言,优秀和伟大之间的一个重要差别就是:找准一个恰当的问题并为之锲而不舍的能力。
  4. 能讲述一个激动人心的故事:这将有助于你说服客户并让他们最终采纳你的意见。

下面我们围绕这四点展开阐述。

编程语言

与精通一门或者一系列编程语言相比,数据科学家应该更关注编程的灵活性。即他们需要具备迁移学习的能力,将一种语言的编程技巧轻松迁移到当前项目需要的语言中,目标是找到解决问题的最佳方案。

为此,对新手来说最好的办法是先学习一些应用广泛的基础性语言。例如专注于统计计算的 R 语言,以及更具通用性的 Python 语言。一旦你熟悉了这两种语言,那么学习其他新语言就会容易得多,因为它们之间一定存在一些通用的特性和语法细节。

总之,作为一名数据科学家,编程语言只是一种工具,你并不需要成为编程领域的专家。但你必须熟悉它们,以便于利用这些工具解决一些现实的数据研究问题,以及一些简单的编码和调试问题。

机器学习算法

这里首先需要强调的是,在机器学习算法中我们仍然应该专注于基础知识,避免盲目追求最新技术。

这是因为没有了基础的支持,最新的技术成果也将变得毫无意义。一个数据科学家应该关注于技术核心,例如评估机器学习分类算法的优劣,了解客户更关心哪些分类错误等。毕竟,真实成本分析比准确率更有价值。

同样,懂得各种机器学习算法之间的差异,能够为模型选择最恰当的参数也非常重要。一般基础的机器学习分类器包括逻辑和线性回归、朴素贝叶斯、随机森林和 K 均值聚类等。这里需要强调的是:机器学习是一个不断发展变化的学科,不要试图一蹴而就。也就是说,作为数据科学初学者,你不应该把太多的精力放在机器学习和人工智能上,而应该多考虑一些非技术的要素。

非技术性要素

认为技术要素是促成最终成功的最大驱动力,是一个非常常见的错误,对于数据科学家而言,我认为沟通技巧和解决问题的能力也许更加重要。因为这些能力将有助于你取得诸多具有影响力的成果:包括增加公司收入、创新产品甚至改变整个行业的走向。最终你将从一名普通的 SQL 程序猿成长为一个值得信赖的商业伙伴。下面列出我认为最重要的三点非技术要素。

1. 我认为最关键的一个非技术要素就是“数据直觉”(data intuition),即结合领域内的专业知识和商业敏感性,提出最深刻的见解,并能够快速决策的能力。数据直觉可以让从业者以多种不同的方式理解数据,找出数据中的异常值,以及最不容易发觉的变化趋势。

通常情况下我都会把处理数据问题视为一个柠檬,即随着时间的推移,通过不断努力,我究竟能从这颗柠檬里榨出多少有价值的果汁。而这也是数据直觉的含义:为了找到最优的解决方案,你已经尝试了所有可能的方法,从数据中发掘了所有有价值的信息。

当然,培养自己的数据直觉需要时间,也需要实践的积累。实际上,一个最有效的培养方法就是参与一些与自己的工作和生活息息相关的项目,例如买房子、或者买一辆新的山地自行车。另一个方法是处理与自己的爱好相关的数据。这种方法的优势是:你对自己喜欢的行业已经有了一定的前期了解,另外你对该问题的结论也具有天然的热情。最终,在这些项目中总结和积累的“直觉”将被应用于其他的数据分析场景。

2. 我认为第二点非常关键的非技术因素是解决问题的能力,也就是将客户的需求转化为具体的问题,并将其分解成一系列可以切实执行的解决方案的能力。以下是我在这方面的一些经验总结,仅供参考:

  • 深刻认识问题的内容和意义,只有充分认识了问题,才能解决问题;
  • 找到可用数据,如果数据的格式有问题,找出解决办法;
  • 分析数据,并发掘其中决定性的变化趋势,找到最能说明问题的变量或特征;
  • 研究哪种分析算法和模型最高效,并预测、解释结果;
  • 将你的分析结果分享给利益相关者,并向他们征求意见。

3. 最后一点非技术要素:认识到你的工作不仅仅是数据分析,它也包括向非技术人员提供大数据意见指导。因为大多数普通用户并不会谈论数据,他们只关心营收、销售、推广和产品。将专业技术转化为业务支持,这才是作为数据科学家的工作核心。

现在,请牢记上述四个关键点,向着数据科学家的目标奋勇前进吧,助你好运!

原文发布于微信公众号 - AI研习社(okweiwu)

原文发表时间:2017-04-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏镁客网

谷歌新开放了一个数据库,要让机器自动识别视频中的动作行为 | 技术

20800
来自专栏CDA数据分析师

吴恩达 | AI是新的电力 | 演讲稿全文整理(附视频中字)

在上周O’reilly举办的AI Conference上,吴恩达进行了主题为“AI是新的电力”长达25分钟的演讲,演讲中吴恩达亲自板书,内容也是干货满满了。 在...

40550
来自专栏量子位

快手AI技术副总裁郑文:为什么说AI是短视频平台的核心能力

7月初举办的中国软件研发管理行业峰会(CSDI)上,快手AI技术副总裁郑文针对AI技术在短视频领域的应用做了精彩演讲。他介绍了人工智能技术是如何在快手整个业务流...

16300
来自专栏机器人网

机器人容易被骗?谷歌AI研究人员将改变这种状况

据外媒报道,让机器人看到不存到的东西或完全让其将图像归类错误也许是一场有趣、好玩的游戏,但如果一套汽车的自动驾驶系统将一辆白色卡车错认成一朵白云时,这一切就跟好...

359120
来自专栏灯塔大数据

荐读|电信大数据关键技术挑战

电信大数据来源于运营商通信网络平台的BSS和OSS,沉淀了海量用户7个维度的信息:1维用户真实ID、1维行为数据、1维社交数据、1维时间数据和3维空间数据。运营...

38970
来自专栏企鹅号快讯

为什么要利用NLP做情感分析?

作者:申利彬 校对:孙涛 本文谈论自然语言处理中的情感分析及其在不同行业中的应用。 多数人不能准确把握人类的情感变化,我也不例外,但是计算机却可以做到这一点。基...

20660
来自专栏人工智能头条

AAAI主席Rao Kambhampati:破解人机共存的规划技术挑战(PPT下载)

13830
来自专栏企鹅号快讯

先知:人工智能助力Fintech反欺诈

本文内容节选自第六届全球软件案例研究峰会宜人贷数据科学家王婷分享的《先知:人工智能助力Fintech反欺诈》实录,本文主要分享互联网金融反欺诈,通过人工智能与人...

633110
来自专栏数据科学与人工智能

【机器学习】“机器深度学习”的未来:读懂人类的情感

“机器学习”的概念自上世纪50年代出来以来就备受科技界的关注,而近年来“深度学习”逐渐成为机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神...

28260
来自专栏新智元

【解读2015】自然语言处理:持续探索,稳中前行

2015年,整个IT技术领域发生了许多深刻而又复杂的变化,InfoQ策划了“解读2015”年终技术盘点系列文章,希望能够给读者清晰地梳理出技术领域在这一年的发展...

34450

扫码关注云+社区

领取腾讯云代金券