如何在將來的大數據和機器學習領域，得到一份不錯的工做？

2018 年，AI 的發展腳步會加快，這一年將是 AI 技術重生和數據科學得以從新定義的一年。對於雄心勃勃的數據科學家來講，他們如何在與數據科學相關的工做市場中脫穎而出？2018 年會有足夠多的數據科學相關工做嗎？仍是說有可能出現萎縮？接下來，讓咱們來分析一下數據科學的趨勢，並一探如何在將來的大數據和機器學習 /AI 領域得到一份不錯的工做。」

一、你須要牢固掌握機率統計學，並學習和掌握一些算法，好比樸素貝葉斯、高斯混合模型、隱馬爾可夫模型、混淆矩陣、ROC 曲線、P-Value 等。

 

不但要理解這些算法，還要知道它們的工做原理。你須要牢固掌握梯度降低、凸優化、拉各朗日方法論、二次規劃、偏微分方程、求積法等相關算法。

 

若是你想找一份高薪的工做，還須要掌握機器學習技術和算法，好比 k-NN、樸素貝葉斯、SVM 和決策森林等。

 

大數據學習羣：716581014   一塊兒學習

二、

如今大部分機器學習都須要海量數據，因此你沒法在單臺機器上進行機器學習。因此，你須要用到集羣，須要掌握 Apache Hadoop 和一些雲服務，如 Rackspace、Amazon EC二、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。

 

你還須要掌握各類 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。由於機器學習基本上都是在 Unix 系統上運行的，因此須要掌握這些工具，知道它們的做用以及如何使用它們。

 

三、在掌握編程語言和算法的同時，不要忽略了數據可視化的做用。若是沒法讓你本身或別人理解數據，那麼它們就變得毫無心義。數據可視化就是指如何在正確的時間向正確的人展現數據，以便讓他們從中得到價值。主要的數據可視化工具包括：Tableau、

QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。

 

四、要成爲數據科學家，不必定非要拿到數據科學方面的學位。事實上，你徹底不須要這麼作，這樣作反而不是個好主意。若是你能拿到計算機學位、工程學學位、經濟學學位、數學學位、統計學學位、精算師學位、金融學學位或者天然科學學位（物理、化學或生

物）都是能夠的。甚至是人文科學（包括社會科學）也是能夠的。

2018年跳槽指南：如何找到一份人工智能相關的工做？

 

「2017 年，大數據把 AI 推向了技術炒做的舞臺正中央，數據科學和機器學習在各行各業開始嶄露頭角。機器學習開始被應用於解決數據分析問題。機器學習、AI 和預測分析成爲 2017 年的熱門話題。咱們見證了基於數據的價值創新，包括數據科學平

臺、深度學習和主要幾個廠商提供的機器學習雲服務，還有機器智能、規範性分析、行爲分析和物聯網。

 

2018 年，AI 的發展腳步會加快，這一年將是 AI 技術重生和數據科學得以從新定義的一年。對於雄心勃勃的數據科學家來講，他們如何在與數據科學相關的工做市場中脫穎而出？2018 年會有足夠多的數據科學相關工做嗎？仍是說有可能出現萎縮？接下來，讓咱們

 

來分析一下數據科學的趨勢，並一探如何在將來的大數據和機器學習 /AI 領域得到一份不錯的工做。」

 

加強技術實力

編程語言和開發工具

365 Data Science 收集了來自 LinkedIn 的 1001 數據科學家的信息，發現需求量最大的編程語言爲 R 語言、Python 和 SQL。另外，還要求具有 MATLAB、Java、Scala 和 C/C++ 方面的知識。爲了可以脫穎而出，須要熟練掌握 Weka 和 NumPy 這類工具。

機率統計學、應用數學和機器學習算法

 

你須要牢固掌握機率統計學，並學習和掌握一些算法，好比樸素貝葉斯、高斯混合模型、隱馬爾可夫模型、混淆矩陣、ROC 曲線、P-Value 等。

 

不但要理解這些算法，還要知道它們的工做原理。你須要牢固掌握梯度降低、凸優化、拉各朗日方法論、二次規劃、偏微分方程、求積法等相關算法。

 

若是你想找一份高薪的工做，還須要掌握機器學習技術和算法，好比 k-NN、樸素貝葉斯、SVM 和決策森林等。

分佈式計算和 Unix 工具

 

如今大部分機器學習都須要海量數據，因此你沒法在單臺機器上進行機器學習。因此，你須要用到集羣，須要掌握 Apache Hadoop 和一些雲服務，如 Rackspace、Amazon EC二、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。

 

你還須要掌握各類 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。由於機器學習基本上都是在 Unix 系統上運行的，因此須要掌握這些工具，知道它們的做用以及如何使用它們。

 

查詢語言和 NoSQL 數據庫

傳統關係型數據庫已經老去。除了 Hadoop 以外，你還須要掌握 SQL、Hive 和 Pig，以及 NoSQL 數據庫，如 MongoDB、Casssandra、HBase。

基於 NoSQL 分佈式數據庫的基礎設施已經成爲大數據倉庫的基礎。原先在一箇中心關係型數據庫上須要 20 個小時才能處理完的任務，在一個大型的 Hadoop 集羣上可能只須要 3 分鐘時間。固然，你也可使用 MapReduce、Cloudera、Tarn、PaaS、Chef、Flume 和 ABAP 這些工具。

數據可視化工具

在掌握編程語言和算法的同時，不要忽略了數據可視化的做用。若是沒法讓你本身或別人理解數據，那麼它們就變得毫無心義。數據可視化就是指如何在正確的時間向正確的人展現數據，以便讓他們從中得到價值。主要的數據可視化工具包括：Tableau、QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。

正確選擇教育背景和專業

要成爲數據科學家，不必定非要拿到數據科學方面的學位。事實上，你徹底不須要這麼作，這樣作反而不是個好主意。若是你能拿到計算機學位、工程學學位、經濟學學位、數學學位、統計學學位、精算師學位、金融學學位或者天然科學學位（物理、化學或生物）都是能夠的。甚至是人文科學（包括社會科學）也是能夠的。

但或許你會在其餘領域獲得更好的發展，好比經濟、應用數學或工程領域。首先要肯定數據科學這條路是否是適合本身。2018 年絕對不會讓那些有志在數據科學領域一展身手的人失望。不過仍是那句話，一個具有分析能力的大腦、熟練的編程技能、誠摯的熱情和

 

持續自我提高的毅力將決定你的數據科學家之路會走多遠。

 

大數據學習羣：716581014   專一大數據分析方法,大數據編程，大數據倉庫，大數據案例，人工智能,數據挖掘，AI等大數據內容分享交流