建立数据场的七大技能

摘要:成为数据极客,建立自己的数据场需要哪些技能呢?遇到普通的数据,通过SQL做分析。如果数据量比较大,可以使用Hadoop等大数据框架处理。在深入挖掘上,可用Python或者R语言进行编程。

1

数据极客

上回书说到,数据科学家是具有数据相关的完整理论和知识的人,自然境界很高。做作一个普通的IT界码农,成为数据科学家需要漫长的过程。那这个……,做不到数据科学家,我们还可以做个数据极客(Data Geek)嘛,挑战数据极限,也是挑战自己的极限。

那么,成为数据极客,建立自己的数据场需要哪些技能呢?且不说那高深复杂的理论,仅从实用的角度来分析一下,建立数据场的七个方面。

2

七大技能

2.1

SQL与NoSQL技能

二维表格数据是最常用形式了,对二维数据的处理分析也是最基本的。传统的SQL工具与大数据环境下的NoSQL工具中,以关系型的MySQL为代表,以文档型的MongoDB为代表,以大数据环境下的Hive代表。这都是数据分析的基础而强大利器,在很多场合下都能快速的解决问题。

扩展的,还会有内存型数据库Redis,图数据库Neo4j,还有全文索引的ElasticSearch和Solr,还有Hbase和Cassandra,这些根据具体的业务,选择性的掌握其中一部分。

学到什么程度并无定论,重点在具体的数据环境下,不至于永远只知道MySQL这一个工具,在不同的场景,其它的数据库能发挥出强大的优势。

总结起来说,重点不是工具,而是数据。不仅要能处理结构化数据,还要处理半结构化数据,不仅能单机处理,还要在集群环境下处理。

2.2

Linux工具集

Shell, AWK, sed, grep等基本工具集,这是很多数据简单处理的得力助手,包含数据文件编码,数据合并,数据拆分,数据规范,格式验证等等。

Linux脚本能力,简单服务配置能力,正则表达式能力,Vim或者Emacs编辑能力,文件系统常用操作命令,远程登录ssh等等,这些都能快速的处理很多问题。任何的分析或挖掘都会依托与一个系统,而Linux是其中最常用的,尤其是在服务器环境。熟悉一个系统,能让自己的数据科学工作事半功倍。

简单的数据收集与处理,很多时候也会依赖于Linux系统或者基于其上的一系列工具,比如常用的Web服务器引擎Nginx及其产生的日志,常用的文件传输scp或者rsync,常用的定时任务crontab等等这些工具,稳定又实用。

2.3

Python或者R语言生态

掌握一门分析专用语言,很有必要。其中以R语言和Python语言为代表。R起源于统计学,如今在数据科学领域也占有强大的阵地。Python更是一门完整的编程语言,不论是Web开发、自动化运维、云计算,还是数据科学领域,都有众多的用户。两者在数据分析中都有完整的生态圈,而且其它环境对这两者的支持也是非常好的。

无意于争端,全看个人喜好。本人只熟悉Python这块生态,因此只讨论这一块相关的。最为大众熟悉的一些包为:Numpy,Scipy, Pandas和Scikit-learn,Keras,解决了从数据分析到机器学习和深度学习的几乎所有任务。

2.4

Hadoop与Spark生态

大数据平台,无疑是以Hadoop和Spark为代表,无论在线处理还是离线分析。Hadoop比较适合离线处理。而在线处理中,Storm就是比较有名的。如果需要自己实现Map-Reduce或者对接数据之类的开发,编程语言中以Java和Scala为代表。

在线搜索相关,估计会用前面说过的ElasticSearch或者Solr。当然,区别于hadoop的Map-Reduce流程,Spark提供的弹性数据集RDD,能作用于RDD上的算子非常多,使得数据处理与分析更加方便。除此之外,Spark还提供了实时任务的Streaming,能实时的对数据进行处理与获取结果。还有Spark SQL功能,尤其以其中的DataFrame重为重要。另外,ML与MLlib也是分布式机器学习的重要部分。

Spark是Hadoop生态圈中的有力补充,并非替代品,如果要说替代,那也只是替代了MapReduce分布式计算框架而已,分布式调试与管理依然用Yarn,文件系统依然会使用HDFS。

Hadoop发行版中,主要以三大厂商的Hadoop的为代表。Cloudera发行的CDH,Hortonworks发行的HDP,这两个是目前各种大数据框架支持的主流,另外一家是修改了核心的MapR。

2.5

概率、统计与线性代数

对数据进行统计与分析,是需要统计学的基础知识。另外,很多问题都可以转化为一个概率问题,并不是要完全确定的结果,只要概率达满足即可。概率论方面的主要是贝叶斯统计,隐马尔可夫模型等之类的。这些都是深入理解算法的基础。

对数据的运算,很多时候就是直接矩阵运算,而涉及矩阵的各种运算也正是线性代数相关相关的问题。

机器学习之所以有效,是因为模型对数据的处理,最后都会变成一系列的数学优化问题,而且主要和凸优化知识相关。机器学习的各种计算,都是和数学密切相关。除了上面的概率、统计与线性代数,还会和微积分有一定的关系。

当然,但除非你深入研究算法的核心原理或者写学术论文需要,也不要被数学吓到了。在机器学习应用过程中,并不会用到太多的数学知识。而且,也并不需要完全把上面这些课程学好了再来进行机器学习。计算机基于数学,但应用型的算法,并不需要特别深厚的数学功底。如果以前课程学得不好也没有太大的关系,很多知识到了关键时刻再补一下也不迟。

2.6

机器学习与深度学习

数据挖掘与人工智能中和算法相关的部分,常用的分类算法,聚类算法是基础。推广开来,就是监督算法与非监督算法,监督算法中,除了分类,还有回归。非监督算法中,除了聚类,还有数据降维,还有用于个性推荐的关联规则。另外,专门处理自然语言的机器学习也即NLP,或者文本数据挖掘,是另外一个侧重方向。

对算法的理解,需要前面的统计与概率等等数学知识,还需要结合编码能力,最好能自己实现一些演示算法流程的Demo程序来辅助理解。实际应用中,最好以第三方库为准,它们经过大量人员的测试,无论是性能还是算法完整性上都会更好,自己实现的程序仅仅用于理解算法流程即可。除非你对算法理解很彻底,并且编码能力也非常强,而且觉得现有的框架不能满足你的使用。

除了算法及其参数调优外,还有另外两个重要的内容,特征提取与模型评估。如何从原始数据中提取出用于算法的特征是很关键的。很多时候,不同算法在性能差异上并不明显,但不同的特征提取方法,却能产生比较大的差距。

在某种特征上应用特定的算法,还需要做的就是模型评估,如果评估一个模型是好还是坏,在一定程度上也体现了机器学习是否有效的依据。在特征提取上,一个比较火热的领域自然是深度学习了。源于多层神经网络,是一种非监督的特征提取方法,更好的用于图片、语音与视觉处理。值得一提的是,深度学习在很多地方的性能已经超过传统的机器学习算法。

2.7

业务及杂项

除上上面的纯技术外,还有一些非技术上的技能。业务理解,商业洞察,沟通与交流能力,尤其以业务的理解能力为重要。数据是死的,无法更好的理解业务中的问题,也就无法更好的利用现有数据,甚至无法更好的解读其中的结论。

理解业务通常需要一些专业的领域知识,比如做网络安全的,需要安全的一些基础知识;做电商的,需要理解其中各个指标对当前销售的影响;做二手车估值的,需要对二手车残值评估有一定的了解。

除了业务知识外,还需要一定的文档与报表技能,比如Word、PPT与Markdown工具的使用,只有完整的文档与良好的表达,才更好体现数据所展现出来的效果。

另外,英文能力与写作也同样重要,需要经常阅读一些英文文章。阅读的主要目的,就是随时更新自己的技能,扩展知识面。而写作,就是自己知识积累的一种方式,将纸上的东西,变成自己的技能。

3

结尾

这儿列出的七项主要技能,和上一篇文章的7大技能基本相同。对于高级信号处理,主要用于特征提取,个人感觉目前可能通过学习神经网络与深度学习来解决,深度学习是专为解决特征提取的问题而来。

七大技能,总结起来,就是熟悉一门Linux系统及其上的常用工具,遇到普通的数据,可以通过SQL来做简单分析或者聚合。如果数据量比较大,可以使用Hadoop等大数据框架处理。在深入挖掘上,可用Python或者R语言进行编程,应用以概率统计为支撑的机器学习算法。

要做好数据极客,只有在各种工具与技能基础上,再加强自己的业务兴趣点,配合个人的悟性而修行。果能如此,持之以恒,则天下定有你的天地。

内容来源:伯乐在线

原文发布于微信公众号 - 灯塔大数据(DTbigdata)

原文发表时间:2016-03-30

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

来自专栏机器之心

前沿 | 减少30%流量,增加清晰度:MIT提出人工智能视频缓存新算法

41590
来自专栏钱塘大数据

【数说】47万微信群、2亿微信用户,背后数字规律揭秘

微信群已经进入到我们的日常生活中,成为社交关系的主要纽带。但微信群有自己的规律,长期群能存活很长的时间,临时群则转瞬即逝。来自清华大学、康奈尔大学、腾讯公司和香...

2.3K50
来自专栏悦思悦读

大数据基本概念浅析及技术简介

大数据是当前很热的一个词。这几年来,云计算、继而大数据,成了整个社会的热点,不管什么,都要带上“大数据”三个字才显得时髦。大数据究竟是什么东西?有哪些相关技术?...

36270
来自专栏ATYUN订阅号

【学术】5个字母解释数据科学管道 适合初学者的学习指南

从前,有一个叫“数据”的男孩。在他的一生中,他总是试图弄明白他活下去的目的是什么。比如:“我的价值观是什么? 我能对这个世界产生怎样的影响? 数据从何而来? 我...

31740
来自专栏AI科技评论

干货 | 深度学习入门指北——从硬件到软件

AI科技评论按:近日,Rachel Thomas在fast.ai上发布了一篇博文《What you need to do deep learning》,他希望通...

36440
来自专栏专知

势头强劲: PyTorch周年大事记盘点

【导读】 1月19日,PyTorch团队对PyTorch发布一年来的成长轨迹做了总结。在过去一年里,PyTorch资源包的下载量超50万次、PyTorch频频出...

36350
来自专栏华章科技

揭秘47万微信群和2亿微信用户背后的数字规律

微信群已经进入到我们的日常生活中,成为社交关系的主要纽带。但微信群有自己的规律,长期群能存活很长的时间,临时群则转瞬即逝。来自清华大学、康奈尔大学、腾讯公司和香...

8510
来自专栏MyBlog

J.Woodcock&J.Davies_UsingZ_1996_C1 阅读

随着软件的日益发展, 软件的功能等需求越来越多, 文档也随之增加, 组件之间的交互和冲突最后导致系统出现问题, 逐渐偏离了我们的预期. 为解决该问题, 其中一个...

8910
来自专栏新智元

【开源】北大团队大规模稀疏数据机器学习库xLearn,c++ trending 已超TensorFlow

编辑:弗格森 【新智元导读】 机器学习博士马超近日在微博上介绍他和导师肖臻教授一起开发的一款专门针对大规模稀疏数据的机器学习库xLearn并开源。并称, vi...

48280
来自专栏灯塔大数据

【揭秘】47万微信群和2亿微信用户背后的数字规律

导读 这是一篇来自清华大学、康奈尔大学、腾讯公司和香港科技大学的研究人员采用“机器学习算法”,分析了47万+微信群、2亿+微信用户、6亿+好友关系和200万+邀...

32340

扫码关注云+社区

领取腾讯云代金券