如何从数据分析师转化为数据科学家？

有人问我如何从数据分析师到数据科学家？很简单，分三步：1.打开Linkedin，登录。2.点击“编辑我的个人资料”。3.找到“数据分析师”，用“数据科学家”代替。完成！很容易。不幸的是，现实并没有那么简单。从或多或少的数据中掌握必要的技能并得到分析和见解并不容易。关于如何进入数据科学领域的文章很多，但关于从数据分析师到数据科学家的文章却很少。在此之前，我们有必要分别定义这两个职业。数据分析师收集、处理和应用结构化数据的统计算法，从而产生效益和改进决策。数据科学家有类似的目标，但需要更强的能力来处理大量的非结构化数据，在许多情况下需要实时处理。数据科学家需要找到能够清理、处理和运行不同来源数据的重要信息。同时，需要较强的沟通描述能力和可视化技能。我经常遇到许多优秀的数据分析师，他们想成为数据科学家，但他们没有机会或不知道如何开始。这也是我写这篇文章的原因之一。为什么要成为数据科学家？原因有很多，主要分为以下几点：*影响力可能带来巨大的商业效益。更有机会得到领导的青睐，更好地提升发展方向。*在快速发展的数据科学领域，有许多问题需要解决。例如，构建图像识别器或文本分类器来识别社交媒体上发布的非法言论。*人们预测人工智能最终将取代人类的工作。为了确保你的工作，你应该不断创新，而不是等待被自动化所取代。*工资和发展机会得到提高，优秀的数据科学家很少，需求量也很大。数据科学-如何成为数据科学家需要学习许多技能机器人来取代人类工作？大多数数据分析师都有很好的基础，但应用先进的方法来处理大型数据集需要多年的学习和经验。那数据科学家需要什么技能呢？这个问题可能没有正确的答案，复杂的数据科学项目涉及许多专业技能。在数据科学领域的最初几年，最好掌握以下技能：数据科学语言：Python/R关系数据库：MySQL、Postgress非关系数据库:MongoDB机器学习模型:回归和提升树支持向量机(BoostedTreesSVM),神经网络绘图:Neo4J、Graphx分布式计算：Hadoop、Spark云：GCP/AWS/AzureAPI交互：OAuth、Rest数据可视化和网页应用:D3、RShiny专业领域：自然语言处理、OCR和计算机视觉提升树模型在数据科学竞赛中非常流行。RShiny仪表板是探索数据交互的好方法。掌握这些技能需要很多时间（可能比获得专业学位更长）。掌握这些技能需要很多时间（可能比获得专业学位更长）。但每个人都不能满足现状，必须继续学习。假如我们每天都能进步一点，那么在未来的某一天就能实现自己的预期目标。决心和坚韧有时比聪明更有用。首先，我们需要一些基本技能：1。十年前，等待数据课程的信息可能需要几周的时间，但那些日子已经过去了。现在到处都有很好的学习资源，我们需要不断学习，不断提高技能。2.学习一门语言，培养数学技能，可以选择学习Python或R语言。网站上有很多免费课程，比如coursera和Udemy。吴恩达的机器学习课程和斯坦福大学的神经网络课程都很好，也很有趣。许多Python用户喜欢使用Anaconda和JupyterNotebok。许多R用户喜欢使用RStudio。3.试着解决工作中的实际问题，与商业专家和数据工程师一起工作。4.参加Kagle比赛的Kagle任务有一定的范围，数据相对干净，但可以很好地提高模型建立技能，解决数千人的挑战性数据问题。不要担心排名，从头开始。5.了解行业大神的趋势，可以关注GeoffreyHinton、吴恩达、YannLeCun、RachelThomas、JeremyHoward等人。6.使用高效的工作模式积累一定的基础后，使用GitHub等版本控制系统来改进自己的工作流程，以便部署和维护代码，也可以使用Docker。7.要有效沟通，我们需要展示自己的工作成果，在向领导汇报工作时，需要有效地使用演示文稿。即使你在良好的工作环境中掌握了很多技能，但是你所在的公司没有合适的工具和环境，也很难开展工作。工作环境中总是有一些不可控的因素，所以我们应该考虑哪些因素可以改进和利用。1.转到合适的团队，大多数大中型企业至少有一个小数据科学团队，所以要选择合适的企业。2.与合适的人合作，如果换工作不现实，尽量与优秀的数据科学家合作。例如，与专业人士合作解决相关问题，而不是委托他们解决。3.适当的工具和环境企业有时不清楚如何投资数据科学工具。一些企业制定计划和投资过程繁琐，因此只优先考虑收入明显的商业案例。抓住机遇，倡导投资分析环境、工具和相关培训。4.制定清晰的用例，了解公司的业务以及如何应用数据科学，将两者联系起来，制定清晰的用例。5.与更好的人合作，努力成为优秀团队的一员。你不仅会收获更多，还会学到很多自己掌握的知识。结论现在是开始的最佳机会，立即开始学习，尽快解决实际问题。在学习的过程中，你会不断提高自己，最终让自己大吃一惊，珍惜每一个机会。