百度Hr分享，一個合格的數據工程師簡歷中必備技能？

若是你是一名數據科學方面的求職者，你確定想知道在簡歷上寫些什麼才能得到面試的機會；若是你想進入這個領域，你必定想知道具有哪些技術才能成爲一名有競爭力的求職者。

在本文中，咱們對Indeed中一千份數據科學相關的招聘信息進行了分析，主要針對數據工程師、數據科學家和機器學習工程師這三個職位，但願能解答你的疑問。

首先，讓咱們來看看不一樣職位的技能要求。

1、必備語言

1. 目前Python處於主導地位

關於數據科學中的首選語言，到底是Python仍是R曾有過爭論。顯然，市場需求說明現在Python是處於主導地位。一樣值得注意的是，R語言可能還排在SAS以後。所以，若是你打算進入數據科學領域，不妨把學習重點放在Python上。做爲數據庫語言，SQL是數據科學家第二重要的語言。因爲數據科學家職業的普遍性，其餘語言也扮演着重要角色。

數據科學家必備語言排名爲：Python、SQL、Scala、Lua、Java、SAS、R、C ++和Matlab。

2. 機器學習工程師使用的語言更加多樣化

Python是機器學習工程師的首選語言，這並不使人驚訝。機器學習工程師須要從頭開始實現算法，並在大數據環境中部署ML模型，所以C ++和Scala等相關語言也很重要。總的來講，機器學習工程師使用的語言更加多樣化。

機器學習工程師必備語言排名爲：Python、Scala、Java、C ++、Lua、SQL、Javascript、Matlab、CSS和C＃。

3. SQL 是數據工程師的必備技能

數據工程師一直都在於數據庫打交道，而SQL是數據庫語言，所以SQL是首選語言也就不足爲奇了。同時Python也重要，但重要性排在Scala和Java以後，由於後者可以幫助數據工程師處理大數據。

數據工程師必備語言排名爲：SQL、Scala、Java、Python和Lua。

4. Scala 逐漸成爲數據科學中第二重要的語言（而不是R語言）

當咱們研究分析不一樣職位時發現，Scala要麼的重要性排在第二或第三。所以咱們能夠，數據科學領域中排名中前三的語言是Python、SQL和Scala。若是你打算學一門新語言，能夠試試Scala。

 

2、大數據技能

Spark是除數據工程師以外，最必備的大數據技能

僅對數據工程師而言，Hadoop比Spark更爲重要。但總的來講，Spark絕對是應該首先學習的大數據框架。相對於數據科學家，Cassandra對工程師更爲重要，而彷佛只有數據工程師才須要用Storm。

數據科學領域必備的大數據技術排名爲：Spark、Hadoop、Kafka、Hive。

3、 深度學習框架

深度學習方面，TensorFlow 占主導地位

在數據工程師的招聘中不多提到深度學習框架，所以該職位可能不須要用到深度學習框架；在機器學習工程師招聘中，經常提到深度學習框架，這代表機器學習工程師須要經常處理機器學習建模，而不只僅是模型部署。

此外，TensorFlow在深度學習領域絕對佔據主導地位。儘管Keras做爲高級深度學習框架在數據科學家中很是受歡迎，但對於機器學習工程師職位，不多要求要掌握Keras，這可能代表機器學習從業者大多使用較低級別的框架，如TensorFlow。

數據科學中要掌握的深度學習框架排名爲：TensorFlow、Torch、Caffee和MXNet。

 

4、雲計算平臺

AWS佔據主導地位

5、機器學習應用

機器學習方面計算機視覺是最主要的技能需求

對於通常數據科學家來講，機器學習最大的應用領域是天然語言處理，其次是計算機視覺、語音識別、欺詐檢測和推薦系統。有趣的是，在機器學習工程師職位招聘中，最大的需求是計算機視覺，其次纔是天然語言處理。

另外一方面，機器學習方面數據工程師再次成爲備受專一，然而這些機器學習應用領域與他們並無關係。

若是想成爲數據科學家，你能夠想進入的領域，選擇不一樣類型的項目來展示專業知識，但對於機器學習工程師來講，計算機視覺是最佳選擇！

6、可視化工具

Tableau是可視化方面的必備技能

在招聘中，數據科學家大多都要求須要掌握可視化工具，而不多要求數據工程師和機器學習工程師掌握。然而對以上每一個職位來講，Tableau都是首選。對於數據科學家，Shiny、Matplotlib、ggplot和Seaborn都一樣重要。

7、其餘技能

在數據科學領域，Git對每種職位都很重要，而Docker僅適用於工程師

8、詞雲

接下來，咱們使用詞雲來分析每一個職位最經常使用的關鍵詞，並結合相應的技能爲全部數據科學角色構建理想的技能清單！

1. 數據科學家：更注重機器學習，而不是業務或分析

數據科學家一直被認爲是須要統計、分析、機器學習和商業知識的全方位職業。然而，如今看來在招聘數據科學家時，比起其餘技能，更多地關注機器學習技能。

其餘主要要求包括：業務、管理、通訊、研究、開發、分析、產品、技術、統計、算法、模型、客戶和計算機科學。

 

 

2. 機器學習工程師：研究、系統設計和構建

與通常的數據科學家相比，機器學習工程師的技能要求更爲集中，包括研究、設計和工程。顯然，解決方案、產品、軟件和系統是主要技能要求。除此以外還伴隨着研究、算法、人工智能、深度學習和計算機視覺等要求。同時商業、管理、客戶和溝通等也很重要。另外一方面，管道和平臺也很重要，這也印證了機器學習工程師主要負責構建數據管道以部署機器學習系統。

 

 

圖片.png

3. 數據工程師：技能要求更爲集中

與機器學習工程師相比，數據工程師的技能要求更集中。重點是經過設計和開發管道來支持產品、系統和解決方案。最主要的要求包括：技術技能、數據庫、構建、測試、環境和質量。機器學習也很重要，多是由於構建管道主要爲了支持機器學習模型部署數據需求。

圖片.png

若是你不想再體驗一次自學時找不到資料，沒人解答問題，堅持幾天便放棄的感覺的話，能夠加咱們的大數據交流羣：894951460，裏面有各類大數據學習的資料和技術交流。

加油吧，程序員！路就在腳下，成功就在明天！

將來的你確定會感謝如今拼命的本身！