技能修煉+簡歷打造，offer通通都到碗裏來

若是你是一名數據科學工做的求職者，那麼你確定想知道有什麼書寫技能更可以獲得面試機會。若是你想進入這個領域，並可能已屢次抓耳撓腮，知道本文提到的這些技巧，可使本身成爲一個有吸引力的候選人。

首先，咱們來看看不一樣職稱的技能要求。

生產反饋迴路目前Python是主導語言，Python語言和R語言之間再也不存在爭論

曾經有人爭論Python語言或R語言哪一個是數據科學的首選語言。顯然，市場需求告訴咱們目前Python語言占主導地位。一樣值得注意的是，R語言比SAS統計分析軟件更少被說起。所以，若是你正考慮進入數據科學領域，請重點學習Python語言。 SQL數據庫語言（也多是數據），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。

總之，數據科學家的主要語言是：Python，SQL，Scala，Lua，Java，SAS，R，C ++和Matlab。

機器學習工程師所需語言更加多樣化

Python做爲機器學習的實際語言，毫無疑問地成爲機器學習工程師的最高級語言。因爲須要從頭開始執行算法，並在大數據環境中部署機器學習模型，所以C ++和Scala等相關語言也很重要。總的來講，與另外兩種語言相比，Python語言的需求更加普遍。

總之，機器學習工程師的高級語言是：Python，Scala，Java，C ++，Lua，SQL，Javascript，Matlab，CSS和C＃。

SQL是成爲一名數據工程師的必備技能

數據工程師老是在處理數據庫，而SQL是數據庫語言，因此SQL屬於高級語言。 Python很重要，但仍比不上Scala和Java，由於這些語言能夠幫助數據工程師處理大數據。

總而言之，數據工程師的主要語言是：SQL，Scala，Java，Python和Lua。

Scala正在成爲數據科學中第二大輸入性語言（不是R語言）

有趣的是，經調查咱們發現，Scala能夠排到第二或第三。 因此咱們能夠說數據科學中的前三種主要語言是Python，SQL和Scala。 若是你想學習其中一門新語言，請學習Scala！

對數據工程師而言，Spark是一項頂尖的大數據技能

僅就數據工程師而言，Hadoop比Spark說起的更多，但整體而言，Spark絕對是應該首先學習的大數據框架。Cassandra對工程師而言比科學家更重要，而Storm彷佛只與數據工程師相關。

總之，數據科學的主要大數據技術是：Spark，Hadoop，Kafka，Hive。

TensorFlow可謂是深度學習中的王者

數據工程師職位帖子中幾乎沒有提到深度學習框架，所以該職位彷佛不須要深度學習框架。 常常說起深度學習框架的是機器學習工程師一職，代表機器學習工程師確實常常處理機器學習建模，而不只僅是模型部署。此外，TensorFlow在深度學習領域佔據絕對主導地位。 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，但它幾乎與機器學習工程師自己無關，由此代表機器學習從業者大多使用較低級別的框架，如TensorFlow。

總之，數據科學中最重要的深度學習框架是：TensorFlow，Torch，Caffee和MXNet。

亞馬遜雲計算平臺在機器學習中佔據主導地位

機器學習中的最大需求源自計算機視覺

對於通常的數據科學家來講，天然語言處理是最大的機器學習應用領域，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，對於機器學習工程師來講，最大的需求源於計算機視覺，而天然語言處理排在第二。另外一方面，數據工程師再次成爲聚光燈下的專家，儘管這些機器學習應用領域中沒有一個與他們相關。

深度解說：若是你想成爲數據科學家，能夠選擇構建各類類型的項目，再根據想要進入的領域展現專業知識，但對於機器學習工程師來講，計算機視覺是最佳的選擇！

談到可視化，必定會談到Tableau

數據科學家最須要可視化工具，數據工程師和機器學習工程師則不多說起可視化工具。 但Tableau是這些從業人員的首選可視化工具。對於數據科學家來講，Shiny，Matplotlib，ggplot和Seaborn幾乎一樣重要。

Git對於機器學習從業者而言都很重要，而Docker僅適用於工程師

接下來，咱們使用詞雲來探索每一個職位最經常使用的關鍵詞，並結合相應技能爲全部數據科學打造理想簡歷！

數據科學家更多關注機器學習而非業務或分析

數據科學家一直被視爲一個須要統計、分析，機器學習和商業知識的全方位職業。至今仍然如此，或者至少對於數據科學家仍存在各類需求。但如今看來，數據科學家們更多地關注機器學習而非其餘事務。

其餘主要需求包括：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。

機器學習工程師與研究、系統設計和構建有關

與通常的數據科學家相比，機器學習工程師有一個更爲集中的領域，包括研究，設計和工程。顯然，解決方案、產品，軟件和系統是主要的主題。除此以外，還有研究、算法、人工智能，深度學習和計算機視覺。有趣的是，諸如商業、管理、客戶和溝通等術語彷佛也很重要。這能夠在項目的更新迭代中進一步研究。另外一方面，流水線和平臺也脫穎而出，證明了機器學習工程師應對構建數據流水線和部署機器學習系統應履行的責任。

數據工程師是真正的專家

與機器學習工程師相比，數據工程師擁有更加專業的職位需求。其重點是經過設計和開發流水線來支持產品、系統和解決方案。主要要求包括技術技能、數據庫的構建與測試，環境和質量。同時，機器學習也很重要，由於流水線主要是用於支持機器學習模型的部署數據需求而構建的。

留言 點贊 發個朋友圈

咱們一塊兒分享AI學習與發展的乾貨

編譯組：周子嫄、趙璇

相關連接：

https://towardsdatascience.com/what-does-an-ideal-data-scientists-profile-look-like-7d7bd78ff7ab

如需轉載，請後臺留言，遵照轉載規範

推薦文章閱讀

EMNLP2017論文集28篇論文解讀

2018年AI三大頂會中國學術成果全連接

ACL2017 論文集：34篇解讀乾貨全在這裏

10篇AAAI2017經典論文回顧

長按識別二維碼可添加關注

讀芯君愛你