如何成为一名数据科学家

[数据科学家养成记·学习篇]

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

前言
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。



About the Host
Jesse Steinweg-Woods is soon-to-be a Senior Data Scientist at tronc, working on recommender systems for articles and understanding customer behavior. Previously, he worked at Argo Group Insurance on new pricing models that took advantage of machine learning techniques. He received his PhD in Atmospheric Science from Texas A&M University, and his research focused on numerical weather and climate prediction.
关于主讲人
Jesse steinweg - woods即将成为tronc的一名资深数据科学家，致力于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：
http://www.peixun.net/main.php?mod=tieshipin-xq&id=100


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：
(文末有彩蛋! )


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。

【Join Us】

CDA数据分析师社区（https://bbs.pinggu.org/cda.php）以数据分析、机器学习、深度学习、人工智能方向的技术话题为交流主题，包括但不限于R、Python、julia等数据科学语言、Caffe, TensorFlow, MXNet, Torch, Theano等学习框架。拥有问答、文章、活动、竞赛、题库、直播、项目、招聘等内容，为广大数据分析师提供一个学习交流的技术平台，欢迎志同道合的朋友一起加入！