- 一線互聯(lián)網(wǎng)公司對(duì) AI 工程師的要求是什么樣的？
- 我應(yīng)當(dāng)掌握哪些 AI 技能樹(shù)？
- 從事 AI 工作一定要有碩士、博士的知識(shí)儲(chǔ)備嗎？
- 從零學(xué)習(xí)人工智能真的需要5年以上時(shí)間嗎？
- 系統(tǒng)化學(xué)習(xí)和實(shí)戰(zhàn)中總結(jié)哪個(gè)更高效？
如何成為一名數(shù)據(jù)科學(xué)家？
? ? ? 在回答這個(gè)問(wèn)題之前，希望你先想想另外一個(gè)問(wèn)題：為什么要成為數(shù)據(jù)科學(xué)家？當(dāng)然，如果你是為了10萬(wàn)美元的年薪也無(wú)可厚非，但是我衷心希望你能將這個(gè)職業(yè)和自己的價(jià)值感掛鉤。因?yàn)槌蔀閿?shù)據(jù)科學(xué)家的路途會(huì)很辛苦，但如果你將其看成是實(shí)現(xiàn)個(gè)人價(jià)值的一種方式，那么追尋目標(biāo)才能帶來(lái)長(zhǎng)久的成就感，在這個(gè)過(guò)程中會(huì)感到快樂(lè)并且動(dòng)力十足。?
一、數(shù)據(jù)科學(xué)家應(yīng)掌握的技能包
? ? ? ?要回答“如何成為……”這樣的問(wèn)題，首先當(dāng)然需要知道想要成為的對(duì)象是個(gè)什么樣子。圖1 是一個(gè)數(shù)據(jù)科學(xué)家的技能表。
?
? ? ? ?首先編程能力是數(shù)據(jù)科學(xué)家需要的基本技能。數(shù)據(jù)讀取、整合、建模分析和可視化的整個(gè)環(huán)節(jié)都需要用到這些工具。在業(yè)界環(huán)境中，整個(gè)數(shù)據(jù)鏈大概分為5塊：?
1. 云端數(shù)據(jù)存儲(chǔ)系統(tǒng)。比如亞馬遜的云服務(wù) AWS，大數(shù)據(jù)可以用分布式存儲(chǔ)在 S3中。AWS 更像是一個(gè)生態(tài)系統(tǒng)，里面有數(shù)據(jù)庫(kù)，也可以在上面運(yùn)行一些代碼，比如實(shí)時(shí)從社交網(wǎng)站上爬取數(shù)據(jù)儲(chǔ)存在云端數(shù)據(jù)庫(kù)中。?
2. 安全門。讀寫數(shù)據(jù)都需要經(jīng)過(guò)這道安全門，這個(gè)部分主要是由公司的 IT 部門建立。安全門有3種限制訪問(wèn)權(quán)限的方式： IP 地址：只接受從特定 IP 地址的訪問(wèn)；職能：比如只有頭銜是數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師的人有權(quán)限；用戶名密碼。公司常常會(huì)同時(shí)使用上面3種方法，也就是有特定職能，從特定 IP 地址，通過(guò)用戶名和密碼訪問(wèn)。數(shù)據(jù)工程師會(huì)訓(xùn)練數(shù)據(jù)科學(xué)家穿越這重重安全門。這里對(duì)數(shù)據(jù)科學(xué)家的計(jì)算機(jī)要求并不高，只需要知道一些基本的 Linux 就可以，苦活累活都讓工程師們包攬了。
3. SQL 客戶端。數(shù)據(jù)科學(xué)家需要通過(guò) SQL 從數(shù)據(jù)庫(kù)中讀取相應(yīng)數(shù)據(jù)。根據(jù)數(shù)據(jù)庫(kù)的不同，使用 SQL 的類型和語(yǔ)法也略有不同，但大體上非常相似。掌握基本的數(shù)據(jù)庫(kù)讀取操作是非常必要的。
4. 數(shù)據(jù)分析。現(xiàn)在使用最廣的數(shù)據(jù)分析語(yǔ)言是 R 和 Python，熟練使用至少其中一門語(yǔ)言幾乎成為數(shù)據(jù)科學(xué)家的標(biāo)配。只會(huì) SAS 行不？不行。當(dāng)然，這些都只是工具，工具是解決問(wèn)題的手段，而非目的。你必須要有一個(gè)能用來(lái)進(jìn)行數(shù)據(jù)分析的工具，偏好因人而異，但選擇工具的時(shí)候最好考慮工具的靈活和可擴(kuò)展性。
5. 結(jié)果報(bào)告。這里會(huì)用到基于 D3.js 的交互可視化，Rmarkdown 自動(dòng)化報(bào)告以及 Shiny 應(yīng)用。
? ? ? 數(shù)據(jù)科學(xué)家需要另外掌握的一個(gè)重要的技能是分析建模。圖2 是數(shù)據(jù)流程構(gòu)架圖，這個(gè)模塊可以進(jìn)一步細(xì)分成下面幾個(gè)：?
? ? ? 數(shù)據(jù)科學(xué)家應(yīng)該具備基本的概率統(tǒng)計(jì)知識(shí)，能夠熟練進(jìn)行 t 檢驗(yàn)，開(kāi)方檢驗(yàn)，擬合優(yōu)度檢驗(yàn)，方差分析。能夠清楚地解釋 Spearman 秩相關(guān)和 Pearson 相關(guān)之間的區(qū)別。熟悉抽樣、概率分布、實(shí)驗(yàn)設(shè)計(jì)相關(guān)概念。了解貝葉斯統(tǒng)計(jì)（很快就能在白板上寫下貝葉斯定理）。不是所有的應(yīng)用數(shù)據(jù)科學(xué)領(lǐng)域都需要用到貝葉斯，即使你所處的行業(yè)用得很少，了解貝葉斯的基本概念也是很有必要的。使用“貝葉斯”這個(gè)詞的方式有很多。但其主要代表了一種解釋概率的特別方式。用流行的術(shù)語(yǔ)表達(dá)，貝葉斯推斷不外乎計(jì)算在某假設(shè)下事情可能發(fā)生的方式的數(shù)目。事情發(fā)生方式多的假設(shè)成立的可能性更高。一旦我們定義了假設(shè)，貝葉斯推斷強(qiáng)制施行一種通過(guò)已經(jīng)觀測(cè)到的信息進(jìn)行純邏輯的推理過(guò)程。所以，在很多應(yīng)用場(chǎng)景中，貝葉斯也更加合適。?機(jī)器學(xué)習(xí)相關(guān)技能。知道什么是有監(jiān)督學(xué)習(xí)，什么是無(wú)監(jiān)督學(xué)習(xí)。知道重要的聚類、判別和回歸方法。知道基于罰函數(shù)的模型，關(guān)聯(lián)法則分析。常用的黑箱模型：隨機(jī)森林、自適性助推、神經(jīng)網(wǎng)絡(luò)模型。如果從事心理相關(guān)的應(yīng)用的話（如消費(fèi)者認(rèn)知調(diào)查），還需要知道基本的潛變量模型，如探索性因子分析、驗(yàn)證性因子分析、結(jié)構(gòu)方程模型。在應(yīng)用過(guò)程中還需要加強(qiáng)對(duì)模型中誤差的來(lái)源分類的理解，知道相應(yīng)誤差的應(yīng)對(duì)方法。當(dāng)前存在的機(jī)器模型太多，理解模型誤差可以幫助你有效地通過(guò)嘗試少量模型找到足夠好的那個(gè)。?除了技術(shù)能力以外，還需要其他一些非技術(shù)的能力。這些包括將實(shí)際問(wèn)題轉(zhuǎn)化成數(shù)據(jù)問(wèn)題的能力，這一過(guò)程需要交流，也就要求良好的交流溝通能力。關(guān)注細(xì)節(jié)，分析是一個(gè)需要細(xì)心和耐心的職業(yè)。還有就是展示結(jié)果的能力，如何讓沒(méi)有分析背景的客戶理解模型的結(jié)果，并且最終在實(shí)踐中應(yīng)用模型的結(jié)論。這個(gè)單子還可以一直列下去。看起來(lái)是不是不只一點(diǎn)嚇人？其實(shí)這個(gè)技能單是動(dòng)態(tài)的，你一開(kāi)始不必具有上面列出的所有技能，但在工作過(guò)程中，需要不斷的學(xué)習(xí)成長(zhǎng)。一個(gè)優(yōu)秀的數(shù)據(jù)科學(xué)家不是通過(guò)數(shù)據(jù)找到標(biāo)準(zhǔn)答案的人，而是那個(gè)接受和適應(yīng)這個(gè)充滿不確定性的世界，給出有用方案的人。一個(gè)成熟的數(shù)據(jù)科學(xué)家面對(duì)分析項(xiàng)目時(shí)會(huì)看到多種可能性和多種分析方法，給出結(jié)果后依舊時(shí)刻關(guān)注這個(gè)結(jié)果，不停地保持小幅度頻繁更新。再次強(qiáng)調(diào)自學(xué)能力和成為一個(gè)終生學(xué)習(xí)者是優(yōu)秀的數(shù)據(jù)科學(xué)家的必要條件。
二、如何獲取上述技能？
? ? ? ?現(xiàn)在你對(duì)數(shù)據(jù)科學(xué)家需要具備的技能應(yīng)該有個(gè)大致的概念了。接下來(lái)的問(wèn)題是如何獲取這些技能。這個(gè)問(wèn)題的答案部分取決于你的專業(yè)背景。當(dāng)前數(shù)據(jù)科學(xué)家的背景其實(shí)很雜，這里主要著眼于數(shù)學(xué)、統(tǒng)計(jì)、計(jì)算機(jī)或其它定量分析學(xué)科（電子工程、運(yùn)籌學(xué)等）本科以上學(xué)歷的情況。數(shù)學(xué)統(tǒng)計(jì)背景的學(xué)生，需要加強(qiáng)計(jì)算機(jī)方面能力的培養(yǎng)。而計(jì)算機(jī)背景的學(xué)生需要更多地了解統(tǒng)計(jì)理論。如果是其他定量分析學(xué)科，可能需要同時(shí)加強(qiáng)這兩者。其他專業(yè)的學(xué)生成為數(shù)據(jù)科學(xué)家有兩種情況：從事和自己專業(yè)相關(guān)行業(yè)公司的數(shù)據(jù)分析。比如在一些精準(zhǔn)農(nóng)業(yè)應(yīng)用的公司，會(huì)常常看到數(shù)據(jù)科學(xué)家是生態(tài)學(xué)博士，或者土壤學(xué)博士。其實(shí)這些人不能算是廣義上的數(shù)據(jù)科學(xué)家。因?yàn)樗麄兲幚淼膯?wèn)題局限于非常特定的領(lǐng)域，對(duì)生態(tài)和土壤的了解的要求高于對(duì)數(shù)據(jù)分析的要求。雖然是其他專業(yè)，但是本身有著很強(qiáng)的計(jì)算機(jī)技能，比如物理學(xué)專業(yè)的學(xué)生會(huì)成為數(shù)據(jù)科學(xué)家或者量化交易員，這因?yàn)樗麄兺ǔ＞哂泻芎玫木幊棠芰Α?
? ? ? ?關(guān)于數(shù)據(jù)科學(xué)家的學(xué)位背景，根據(jù)2017年的統(tǒng)計(jì)數(shù)據(jù)，美國(guó)的數(shù)據(jù)科學(xué)家41%有博士學(xué)位，49%有碩士學(xué)位，只有10%是本科。研究生博士期間的課題最好偏向機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘或預(yù)測(cè)模型。其次需要的是數(shù)據(jù)庫(kù)操作技能。在工作中通常需要用 SQL 從數(shù)據(jù)庫(kù)讀取數(shù)據(jù)。對(duì)于統(tǒng)計(jì)或者數(shù)學(xué)專業(yè)的學(xué)生，在校期間可能不需要使用 SQL，因此不太熟悉。這沒(méi)有關(guān)系，我也是工作以后才開(kāi)始使用 SQL 的。但你要確保自己至少精通一種程序語(yǔ)言，之后遇到需要用到的新語(yǔ)言可以迅速學(xué)習(xí)?，F(xiàn)在有大量的 MOOC 課程，以及一些在線的數(shù)據(jù)科學(xué)視頻，都是提升自己的很好方法。?
三、在數(shù)據(jù)科學(xué)的應(yīng)用中有哪些常見(jiàn)誤區(qū)?會(huì)用函數(shù)跑模型就可以了？
會(huì)開(kāi)車的只是司機(jī)，要當(dāng)汽車工程師，僅靠會(huì)開(kāi)車是不行的。這點(diǎn)放在數(shù)據(jù)科學(xué)領(lǐng)域也是一樣。不需要你背下模型背后的所有數(shù)學(xué)公式，但是至少需要學(xué)過(guò)一遍，讓你可以翻著書(shū)解釋模型機(jī)理。
模型精確度越高越好？
在實(shí)際應(yīng)用中需要同時(shí)考慮收益和成本。如果模型精確度是90%，但是提高到95%需要復(fù)雜得多的模型。因此需要大量的計(jì)算設(shè)備投入，同時(shí)帶來(lái)的邊際收益很小的話，滿足于精確度小的模型就好了。模型選擇和評(píng)估可能是數(shù)據(jù)分析流程中最難的環(huán)節(jié)。
技術(shù)過(guò)硬就是尚方寶劍？
人常常是不理性的，我們的行為和對(duì)周遭的態(tài)度受感情的影響。我們總是會(huì)對(duì)所有的事情加上自己的主觀判斷。當(dāng)然，你公司的同事，領(lǐng)導(dǎo)看待你的方式也受到主觀的影響。很遺憾，這個(gè)主觀的感受通常更多的來(lái)自于你作為人的部分，而不是機(jī)器的部分。你覺(jué)得自己技術(shù)好是一件事情，領(lǐng)導(dǎo)覺(jué)得你技術(shù)好是另一件事情，領(lǐng)導(dǎo)覺(jué)得你的技術(shù)是有用的那又是新的一件事情了。所以“做技術(shù)”不等于“情商低點(diǎn)沒(méi)關(guān)系”。技術(shù)不斷更新，被泡沫裹挾著失去方向？
不斷升級(jí)將會(huì)是一種常態(tài)，這不僅僅是數(shù)據(jù)科學(xué)，你必須這么做，因?yàn)樗械臇|西都在升級(jí)，就像軍備競(jìng)賽一樣，升級(jí)已經(jīng)成為事物本身的存在方式。面對(duì)不懂的技術(shù)，要么就說(shuō)不懂，要么就去學(xué)。其實(shí)你真正鼓起勇氣，開(kāi)始認(rèn)真去學(xué)習(xí)這門技術(shù)的時(shí)候，會(huì)發(fā)現(xiàn)其實(shí)沒(méi)有那么神秘。當(dāng)然，馬上又會(huì)有新的神秘的東西出現(xiàn)，這個(gè)過(guò)程又會(huì)重復(fù)。但你就是在這樣循環(huán)反復(fù)中成長(zhǎng)的，產(chǎn)品是這樣，人也是這樣。
四、數(shù)據(jù)科學(xué)領(lǐng)域現(xiàn)狀
我們從數(shù)據(jù)上看看數(shù)據(jù)科學(xué)的現(xiàn)狀吧。從最大的職業(yè)社交網(wǎng)站領(lǐng)英（ LinkedIn ）的數(shù)據(jù)看來(lái)，數(shù)據(jù)科學(xué)家職位的年薪在7.5萬(wàn)~17萬(wàn)美元之間，中位數(shù)是11.3萬(wàn)美元。其中雇傭數(shù)據(jù)科學(xué)家的公司主要集中在微軟、IBM、Fackbook、亞馬遜、Google這些計(jì)算機(jī)互聯(lián)網(wǎng)公司，圖3 為前10名雇傭數(shù)據(jù)科學(xué)家最多的公司。
數(shù)據(jù)科學(xué)家所處的行業(yè)也集中在科技或者研究性組織，圖4是排名前10的行業(yè)。
不同公司的數(shù)據(jù)科學(xué)團(tuán)隊(duì)架構(gòu)不一樣。主要有如下2種：
1. 獨(dú)立式。獨(dú)立的數(shù)據(jù)科學(xué)部門，會(huì)有一個(gè)數(shù)據(jù)科學(xué)總監(jiān)這樣的領(lǐng)導(dǎo)角色領(lǐng)導(dǎo)。這通常在研究所或者公司科研型的部門。對(duì)于數(shù)據(jù)科學(xué)家而言，在這樣部門的優(yōu)點(diǎn)是能夠和很多其他數(shù)據(jù)科學(xué)家有技術(shù)上的交流，也有明確的職業(yè)軌道。
缺點(diǎn)是，很難脫穎而出，需要和很多其他科學(xué)家競(jìng)爭(zhēng)一些資源(比如培訓(xùn)會(huì)議的機(jī)會(huì))。
2. 嵌入式。數(shù)據(jù)科學(xué)家各自嵌入到不同的職能部門中。常見(jiàn)的是市場(chǎng)部的數(shù)據(jù)科學(xué)家。領(lǐng)導(dǎo)者就是傳統(tǒng)的市場(chǎng)總監(jiān)。在這樣的團(tuán)隊(duì)優(yōu)勢(shì)在于直接和公司高層接觸，影響商業(yè)決策。因?yàn)楠?dú)特很容易脫穎而出獲取很多行業(yè)內(nèi)培訓(xùn)和會(huì)議的機(jī)會(huì)，而且市場(chǎng)部是核心部門，如果你想在這個(gè)公司發(fā)展，這是很好的地方。缺點(diǎn)就是，無(wú)法和其他數(shù)據(jù)科學(xué)家交流，很多東西需要自己決策，周圍人只能選擇相信或者不相信你，但不能給出特別的幫助。久了會(huì)有在專業(yè)上落后的危險(xiǎn)，所以需要充分利用在市場(chǎng)部的培訓(xùn)會(huì)議資源，積極參與數(shù)據(jù)科學(xué)家社區(qū)。最大的缺點(diǎn)是沒(méi)有清晰的職業(yè)軌跡，因?yàn)樵谑袌?chǎng)內(nèi)部的分析團(tuán)隊(duì)不會(huì)太大。如果你的職業(yè)目標(biāo)是最后管理一個(gè)大團(tuán)隊(duì)或者職能的話，這可能不能滿足你的目標(biāo)。但其職位本身從初級(jí)到高級(jí)的跨度可以很大。
數(shù)據(jù)科學(xué)家這個(gè)職位還比較新，所以從團(tuán)隊(duì)建設(shè)和職業(yè)軌跡上都還在發(fā)展，具有很好的前景。
希望你能成為一個(gè)不斷思考，終生學(xué)習(xí)的數(shù)據(jù)科學(xué)家！
