這些數據科學家必備的技能，你擁有哪些？

1.教育背景
88％的數據科學家受太高等教育且擁有碩士學位，其中46％擁有博士學位。雖然有些人是例外，但一般須要很是強大的教育背景才能擁有成爲數據科學家所必需的知識深度。要想成爲數據科學家，你能夠先得到計算機科學、社會科學、物理科學和統計學的學士學位，最多見的是數學和統計學（32％），其次是計算機科學（19％）和工程學（16％），任何這些課程的學位均可覺得你提供處理和分析大數據所需的技能。
完成學位課程後，大多數數據科學家還進行在線培訓，例如學習如何使用Hadoop或大數據查詢等特殊技能。除課堂學習外，你還能夠經過構建應用程序或探索數據分析來練習你在課堂上學到的知識，以便你瞭解更多信息。
2.R編程
對於數據科學家來講，R的至少是全部分析工具最應該深刻了解工具，由於R專爲知足數據科學需求而設計。你可使用R來解決數據科學中遇到的任何問題，事實上，43％的數據科學家正在使用R來解決統計問題。然而，R有一個陡峭的學習曲線。若是你已經掌握了某種編程語言，那麼就會更難學習。不過不要擔憂，互聯網上還有不少資源能夠幫助你開始使用R，例如Simplilearn的R編程語言數據科學培訓，它是有抱負的數據科學家的重要資源。
技術技能：計算機科學
3.Python編碼
Python是適合數據科學家學習的一種優秀編程語言，也是我在數據科學角色中看到的最多見的編碼語言，其中還有Java，Perl或C/C ++。O'Reilly曾經調查過數據科學家，調查的受訪者中有40％使用Python做爲他們的主要編程語言。
因爲python的多功能性，你能夠將其用於數據科學過程當中涉及的幾乎全部步驟。它能夠採用各類格式的數據，同時能夠輕鬆地將SQL表導入代碼中，而且還容許你建立數據集，這樣你就能夠在Google上找到所需的任何類型的數據集。
4.Hadoop平臺 
雖然這個不是硬性要求，但在許多狀況下它是很是有用的，擁有Hive或Pig的經驗也是一個很好的加分項。CrowdFlower對3490個LinkedIn上數據科學工做者進行的一項研究發現Apache Hadoop被評爲數據科學家第二重要技能。
做爲數據科學家，你可能會遇到這樣的狀況，即你擁有的數據量超過系統內存或須要將數據發送到不一樣的服務器，這時Hadoop就能發揮其做用了。你可使用Hadoop快速將數據傳輸到各類系統上的點。同時你還可使用Hadoop進行數據探索、數據過濾、數據採樣和彙總。
5.SQL數據庫/編碼
儘管NoSQL和Hadoop已經成爲數據科學的一個重要組成部分，但大多數人仍是但願可以在SQL中編寫和執行復雜查詢。SQL（結構化查詢語言）是一種編程語言，能夠幫助你執行添加，刪除和從數據庫中提取數據等操做。它還能夠幫助你執行分析功能和轉換數據庫結構。
做爲數據科學家，你須要精通SQL，由於SQL能夠專門用於幫助你訪問和處理數據。當你使用它來查詢數據庫時你會發現，它簡潔的命令能夠幫助你節省時間並減小執行困難查詢所需的編程量。學習SQL將幫助你更好地理解關係數據庫並提高你做爲數據科學家的形象。
6.Apache Spark
Apache Spark正在成爲全球最受歡迎的大數據技術。它就像Hadoop同樣是一個大數據計算框架，惟一的區別是Spark比Hadoop更快。這是由於Hadoop須要讀取和寫入磁盤，這使得速度變慢，但Spark將其計算緩存在內存中。
Apache Spark專爲數據科學而設計，它能夠幫助更快地運行復雜的算法。它還有助於數據科學家處理複雜的非結構化數據集，你能夠在一臺機器或一組機器上使用它。Apache spark使數據科學家可以防止數據科學中的數據丟失。Apache Spark的優點在於其速度和平臺，這使得開展數據科學項目變得容易。藉助Apache spark，你能夠執行從數據採集到分佈式計算的分析。
7.機器學習和AI
大量數據科學家並不精通機器學習領域和技術，這包括神經網絡，強化學習，對抗性學習等。若是你想從其餘數據科學家中脫穎而出，你須要瞭解機器學習技術，如監督機器學習、決策樹、邏輯迴歸等。這些技能將幫助你解決基於主要組織結果預測的不一樣數據科學問題。
數據科學須要應用於機器學習的不一樣領域。Kaggle在其中一項調查中發現，一小部分數據專業人員具有先進的機器學習技能，如監督機器學習、無監督機器學習、時間序列、天然語言處理、異常值檢測、計算機視覺、推薦引擎、強化學習和對抗性學習。
8.數據可視化
商業世界常常產生大量數據，這些數據須要被翻譯成易於理解的格式。與原始數據相比，人們能夠更天然地以圖表和圖形的形式理解數據，常言道：「一張圖片賽過千言萬語」。
做爲數據科學家，你必須可以藉助數據可視化工具（如ggplot，d3.js和Matplottlib以及Tableau）可視化數據。這些工具將幫助你將項目中的複雜結果轉換爲易於理解的格式。問題是，不少人不瞭解序列相關性或p值，你須要直觀地向他們展現這些術語在結果中的表示。
數據可視化使組織有機會直接處理數據，他們能夠快速掌握而且幫助他們在競爭中抓住新商機。
9.非結構化數據
數據科學家可以處理非結構化數據相當重要。非結構化數據是未定義的內容，不適合數據庫表，其中包括視頻、博客文章、客戶評論、社交媒體帖子、音頻等。對這些類型的數據進行排序很困難，由於它們沒有邏輯可言。因爲其複雜性，大多數人將非結構化數據稱爲「黑暗分析」。使用非結構化數據能夠幫助你揭示對決策有用的洞察力。做爲數據科學家，你必須可以理解和操縱來自不一樣的平臺的非結構化數據。
非技術技能
10.好奇心 
「我沒有特殊才能。我只是充滿好奇心。」-愛因斯坦。
毫無疑問，你最近可能屢次看到過這句話，由於它與數據科學家有關。一位資深數據科學家描述過它的含義，並在幾個月前的博客中將其視爲必要的「軟技能。
好奇心能夠被定義爲得到更多知識的願望。做爲數據科學家，你須要可以提出有關數據的問題，由於數據科學家花費大約80％的時間來發現和準備數據。這是由於數據科學領域是一個發展很是快的領域，你必須學習更多以跟上節奏。
你須要經過在線閱讀內容和閱讀有關數據科學趨勢的相關書籍來按期更新你的知識。不要被在互聯網上飛來飛去的大量數據所淹沒，你必須可以知道如何理解這一切。好奇心是成爲數據科學家所須要的技能之一。例如，最初你可能沒有太多瞭解你收集的數據。好奇心將使你可以篩選數據以查找答案和更多看法。
11.商業頭腦 
要成爲一名數據科學家，你須要對你正在從事的行業有充分的瞭解，並瞭解貴公司正在努力解決的業務問題。在數據科學方面，除了肯定企業應利用其數據的新方法以外，可以識別哪些問題對於業務而言相當重要是重要的。
爲了可以作到這一點，你必須瞭解你解決的問題如何影響業務。這就是你須要瞭解企業運營方式的緣由，以便你能夠將你的工做指向正確的方向。
12.溝通技巧
尋找強大數據科學家的公司正在尋找可以清晰流利地將技術發現轉化爲非技術團隊的人員，例如市場營銷部門或銷售部門。數據科學家必須使企業可以經過量化的洞察力來制定決策，此外還要了解非技術同事的需求，以便恰當地糾正數據。
除了說出公司理解的相同語言外，你還須要使用數據敘述進行溝通。做爲數據科學家，你必須知道如何圍繞數據建立故事情節，以便任何人都能輕鬆理解。例如，呈現數據表不如以敘事格式從這些數據中分享看法那樣有效。使用講故事將幫助你將你的發現正確地傳達給你的僱主。
溝通時，請注意嵌入在你分析的數據中的結果和值。大多數企業主不想知道你分析的內容，他們對如何積極地影響他們的業務感興趣。學會專一於經過溝通提供價值和創建持久的關係。
13.團隊合做
數據科學家不能單獨工做，你不得不與公司高管合做制定戰略，與產品經理和設計師一塊兒創造更好的產品，還要與營銷人員合做以推出更好的營銷活動，最重要的還要與客戶和服務器軟件開發人員合做建立數據管道並改進工做流程，你必須與組織中的每一個人（包括你的客戶）合做。
從本質上講，你將與你的團隊成員合做開發應用，以瞭解解決問題所需的業務目標和數據。你須要瞭解正確的方法來解決問題以及如何將結果轉換並呈現​​給全部相關人員都能輕鬆理解的內容。

原文連接
本文爲雲棲社區原創內容，未經容許不得轉載。