數據科學是一個新興且日趨成熟的領域，從數據工程和數據分析到機器學習和深度學習，各種工作職能不斷涌現。數據科學家必須結合科學，創造性和調查性思維來從一系列數據集中提取含義，并應對客戶面臨的潛在挑戰。從零售，運輸和金融，到醫療保健和醫學研究，生活各個領域的數據量都在不斷增長?？捎糜嬎隳芰Φ奶岣吆腿斯ぶ悄艿淖钚掳l展推動了數據科學家的關，像數據科學家一樣思考。那么成為一名數據科學家又需要什么呢?高級數據科學家給了關于成功技巧的一些建議 。

高級數據科學家Chu具有人工智能方面的背景知識，尤其是在語言學，語義學和圖形學領域，并在新加坡的知名企業工作了兩年。

保持好奇心

Chu在接受我們的采訪時說，數據科學家應該像調查員一樣思考。

您需要通過問“為什么?”感到好奇和興奮?！斑@有點像是一個偵探，將他們混在一起，尋找新的線索?！?/p>

在金融領域，數據科學家從一系列數據集中提取含義，以告知客戶并指導其關鍵決策。

數據科學家必須著眼于客戶想要解決的挑戰，并從他們正在使用的數據中獲取線索。

通過與Chu交談，我了解了能夠轉移重點并考慮調查背景的重要性。

如果無法解決根本問題，那么完美的分析將無濟于事。有時，您需要回頭，嘗試一種新方法并重新構造您要回答的問題。好奇心在于它。您需要愛問題!

　　要科學

數據科學家使用各種工具來管理其工作流程，數據，注釋和代碼。

“我必須非常勤奮。我需要衡量和跟蹤進度，以便可以備份并嘗試新的方向，重用以前的工作并比較結果。

“重要的是要科學，在進行過程中進行觀察，實驗和記錄，以便您可以復制發現。我需要整理我的觀察結果，因此我將Noion用作主要工具，將所有筆記，論文和可視化文件都放在一個位置?！?/p>

Chu強調需要保持記錄不僅要追溯到他目前的研究，而且還要涵蓋所有以前的發現。

“這就像數據科學日記。每當遇到類似情況時，我都會保留良好的參考點，并請他們參考以指導下一步?！?/p>

　　有創造力

數據科學不僅涉及科學方法。職位可能會誤導他人;您不必具有科學背景，但是您確實需要能夠創造性地思考。通常，替代思維是您應對挑戰的關鍵。

“我必須在解決問題的科學思維和創造性思維之間切換，以引導我探索新的不同探索途徑。

“邏輯，科學的思維對于幫助我得出結論至關重要，但戴上創意帽同樣重要：我使用好的和失敗的例子作為觀察新模式的線索。這全都與“編碼情報”有關。”

　　學習編碼

您需要扎實的編碼能力，才能使用各種數據處理技術來預處理不同的數據源，以解決嘈雜或不完整的數據。

您還需要能夠創建機器學習管道，這將需要您知道如何構建模型，并使用工具和框架來評估和分析其性能。

像大多數數據科學家一樣，Chu使用Python，因為可以使用許多出色的軟件包來處理和建模數據。

實際上，Glassdoor在2017年上半年為放置在其站點上的數據科學家抽取了10000個工作清單，并發現Python，R和SQL這三種特殊技能構成了數據科學中大多數職位空缺的基礎。Ben Chu的團隊依賴于開源機器學習包。

“我們主要將Confluence用作文檔工具;機器學習的MLFlow，Amazon Sagemaker，Scikit-Learn，Tensorflow，PyTorch和BERT; Apache Spark在大型數據集上構建快速的數據管道;和Athena作為我們的數據庫來存儲處理后的數據。

“我們還使用Superset來連接數據并更輕松地構建儀表板以輸出圖表，從而使其更加直觀?！?/p>

　　不用擔心“冒名頂替綜合癥”

Chu現在是某企業的一名高級數據科學家，但是他長大后想成為一名音樂家，并且對語言著迷?！皩τ谖以谧匀徽Z言處理方面的工作領域，我需要對語言學，尤其是語義學和語言細微差別有很好的理解?！?/p>

他解釋說，數據科學團隊需要一系列技能-他和他的同事具有不同背景的重疊技能。

“您所需的技能將取決于您所從事的領域。例如，我需要對財務有很好的了解。

“例如，數據分析通過構建異常檢測方法來檢測欺詐行為，將其作為交易數據中的不規則模式來減輕欺詐行為。

“像我這樣的數據科學家需要精通如何處理各種孤立的財務數據。知道要結合什么是至關重要的，因為沒有這種理解，我就無法建立成功的模型?！?/p>

成為計算機科學家或數學家進入數據科學并不是必需的。沒有人在每個領域都擁有全部專業知識。您可能來自法律，經濟學或科學領域。這完全取決于您的想法。

如果您可以靈活，系統地進行操作，則可以在使用工具，框架和數據集的過程中熟悉它們。

如何開始

對于那些渴望發展其數據科學技能的人，Chu提供了一些實用的技巧，盡管COVID-19造成了干擾，您仍可以輕松地采用這些技巧。

您可以查找研究社區，參加網絡研討會并在線查找培訓課程。一旦面對面的聯網再次可行，Chu建議您積極參與數據科學界。

“參加聚會和黑客馬拉松，這將幫助您建立一個強大的網絡來討論您的想法，激發您的研究并回答您的問題”。

另外，請記住，數據科學領域是新的并且仍在日趨成熟。

出現了各種不同的職位，例如數據科學家，數據工程師和數據分析師，以及機器學習和深度學習工程師。您可能會發現一個角色比另一個角色更適合您的興趣和技能。

以上即是關于如何像數據科學家或數據分析師一樣思考的全部內容，想了解更多關于數據科學的知識，請繼續關注中培偉業。