图片作者
时代在变。 如果你想在 2023 年成为一名数据科学家,你应该将几项新技能添加到你的名册中,以及你应该已经掌握的大量现有技能。
为什么要有如此广泛的技能? 部分问题是工作范围蔓延。 没有人知道数据科学家是什么,或者应该做什么,尤其是你未来的雇主。 因此,任何有数据的东西都会卡在数据科学类别中,供您处理。
您应该知道如何清理、转换、统计分析、可视化、交流和预测数据。 不仅如此,新技术(或最近成为主流的技术)也可以添加到您的工作职责中。
在本文中,我将分解 19 年成为数据科学家需要掌握的 2023 大技能。
以下是对最重要的十项的概述。
图片作者
这些技能将帮助您找到工作、赢得面试、保持领先地位并为升职谈判。 在每一节中,我将简要总结每项技能的含义、重要性,并提供一些学习这些技能的地方。
虽然它是 不能 数据科学家 80% 的工作,数据清理和整理仍然是数据科学家在 2023 年可以掌握的最重要的技能之一。
什么是数据清理和整理?
数据清理和整理是将原始数据转换为可用于分析的格式的过程。 这涉及处理缺失值、删除重复项、处理不一致的数据,以及以一种可用于分析的方式格式化数据。
清理数据通常指的是去除错误/不准确的值、填充任何空白、查找重复项,以及以其他方式确保您的数据集一尘不染且可靠准确。 整理它(或捣碎它、按摩它或任何其他类似的奇怪动词)意味着将它变成可分析的形状。 您将其转换或映射为另一种更易于查看的格式。
为什么在 2023 年成为数据科学家很重要?
问任何数据科学家他们做什么,他们提到的第一件事就是数据清理和整理。 数据永远不会以漂亮、干净、可分析的形式进入您的手中,因此了解如何整理数据非常重要。
清理和整理数据的能力可确保您的分析结果值得信赖,并有助于避免得出不正确的结论。
您可以在哪里学习这项关键技能?
有很多很好的选择来学习数据清理和整理。 哈佛提供了一个 课程 在 EdX 上。 您还可以通过清理和整理免费的原始数据集(如 Common Crawl,由超过 50 亿个网页组成的网络爬行数据)来自行练习(此处), 或巴西的天气数据 (此处).
不,这不仅仅是一个流行语! 机器学习对于任何未来的数据科学家来说都是一项非常重要的技能。
什么是机器学习?
机器学习是应用算法和统计模型根据数据做出预测和决策。
它是人工智能的一个子领域,使计算机能够通过从数据中学习来提高其在特定任务上的性能,而无需明确编程。 它有助于自动化。 你会在任何行业找到它。
为什么在 2023 年成为数据科学家很重要?
您需要了解 2023 年的机器学习,因为它是一个快速发展的领域,已成为解决复杂问题和在各个行业进行预测的重要工具。
机器学习算法可用于对图像进行分类、识别语音、进行自然语言处理以及创建推荐系统。 您将很难找到一个不做(或不想)做这些机器学习辅助任务的行业。
精通机器学习使数据科学家能够从庞大而复杂的数据集中提取有价值的见解,并开发可以推动更好的业务决策的预测模型。
您可以在哪里学习这项关键技能?
我们有一个存储库 三十多个机器学习项目 在 ScrataScratch 上展示您的简历中的这项技能。 TensorFlow 也有 一组学习机器学习的免费资源。
图片作者
这项技能是不言自明的。 当您分析数字时,主要利益相关者会希望通过漂亮的图形和图表来了解您的发现。
什么是数据可视化?
数据可视化是创建图表、图形和其他图形,以帮助使数据更易于理解。 您将刚刚清理、争论或预测的数字放入某种视觉格式中,以便与他人交流趋势或使趋势更容易发现。
为什么在 2023 年成为数据科学家很重要?
到 2023 年,能够可视化数据对于数据科学家来说至关重要。 这就像拥有一种秘密的超能力,可以发现数据中乍一看可能并不明显的隐藏模式和趋势。 最好的部分是什么? 您可以以既引人入胜又令人难忘的方式与他人分享您的发现。 作为一名数据科学家,您将与各种不同经验水平的团队一起工作,但一张图片比一行数字更容易理解。
所以,如果你想成为一名能够有效传达你的见解和发现的数据科学家,那么掌握数据可视化的艺术就很重要。
您可以在哪里学习这项关键技能?
这是清单 学习数据的免费场所,即。
SQL 是一种结构化查询语言。 数据科学家使用 SQL 来处理 SQL 数据库以及管理数据库和执行数据存储任务。
什么是 SQL 和数据库管理?
SQL 是一种非常流行的语言,可让您访问和操作结构化数据。 它与通常在 SQL 中完成的数据库管理密切相关。 数据库管理基本上就是如何组织、存储和从某个地方获取数据。 SQL数据库是其中之一 顶级后端技术 在 2023 年学习,所以它不仅仅是为了数据科学。
为什么在 2023 年成为数据科学家很重要?
作为数据科学家,您必须跟踪所有数据,确保数据井井有条,并在有人需要时检索数据。 这就是 SQL 和数据库管理让您做的事情。
您可以在哪里学习这项关键技能?
Coursera 有一吨 您可以尝试的很棒的、价格合理的数据库管理/管理课程。 您还可以先睹为快 SQL面试题 在这里,这对于测试您的知识很有用。
大数据是一个流行语,是的,但它也是一个真实的概念——Oracle 定义 它是“包含更多种类的数据,以越来越大的数量和更快的速度到达”,或者具有三个 V 的数据。
什么是大数据处理?
大数据处理是使用 Hadoop 和 Spark 等技术处理、存储和分析大量数据的能力。
为什么在 2023 年成为数据科学家很重要?
2023 年,处理大数据的能力对数据科学家来说至关重要。 生成的数据量继续以指数速度增长,能够有效地处理和分析这些数据对于做出明智的决策和获得有价值的见解至关重要。 对大数据处理技术有深刻理解的数据科学家将能够轻松地处理大数据集并充分利用它们包含的信息。
此外,由于它的流行语,在你的简历上敲打“大数据”永远不会有坏处。
你在哪里可以学到它?
我喜欢 Simplilearn 的 YouTube 教程系列 在这个概念上。
图片作者
这很有趣——随着越来越多的产品和服务迁移到云中,云计算成为几乎所有技术工作的工作要求,无论是 DevOps的 或数据科学家。
什么是云计算?
云计算是使用基于云的技术和平台(如 AWS、Azure 或 Google Cloud)来存储和处理数据。 这有点像拥有一个您可以随时随地访问的虚拟储藏室。 云计算不是将数据和计算资源存储在本地机器或服务器上,而是允许组织和数据科学家通过互联网访问这些资源。
为什么在 2023 年成为数据科学家很重要?
正如我一直强调的那样,作为数据科学家,您需要处理的数据量正在增长。 更多的公司将把它放在云端,而不是在本地处理。 以可扩展和高效的方式存储和处理这些数据的能力变得越来越重要。
云计算为此提供了有效的解决方案,使数据科学家无需昂贵的硬件和基础设施即可访问海量的计算资源和数据存储。
你在哪里可以学到它?
好消息是因为公司拥有各种云,他们中的许多人有既得利益免费教你,所以你学会使用他们的。 谷歌, 微软及 Amazon 都有很好的云计算资源。
“等等,我们不是只介绍了数据库吗? 什么是数据仓库?” 我听到你问。
我明白了。 有时感觉最关键的数据科学技能是保持所有首字母缩略词和行话的直截了当。
什么是数据仓库和 ETL?
首先,让我们区分数据仓库和数据库。
仓库存储多个系统的当前和历史数据,而数据库存储为项目提供动力所需的当前数据。 数据库存储为应用程序提供动力所需的当前数据,而数据仓库以预定义和固定的模式存储一个或多个系统的当前和历史数据以分析数据。
简而言之,您将使用数据仓库来存储大量不同项目的数据,而数据库主要存储一个项目的数据。
ETL 是一个涉及数据仓库的过程,是提取、转换和加载的缩写。 ETL 工具将从您需要的任何数据源系统中提取数据,在暂存区转换数据(通常是清理、操作或“修改”它),然后将其加载到数据仓库中。
为什么在 2023 年成为数据科学家很重要?
我觉得我在每个技能中都重复了这一点,但是数据在增长。 公司渴望它,他们希望你能管理好它。 了解如何管理可构建管道中的数据至关重要。
你在哪里可以学到它?
我建议学习如何使用特定语言(如 SQL 或 Python)执行适当的 ETL。 Datacamp 有一个 好的 与蟒蛇。 微软运行更多 中级教程 通过 SQL 选项。
每个数据科学家都是模型专家。 我不是在谈论吉赛尔邦辰。 我的意思是创建一个模型,说明数据在系统中的存储和组织方式。
什么是数据建模和管理?
数据建模和管理是创建数学模型来表示数据以及管理数据以保持其质量、准确性和实用性的过程。
这涉及定义数据实体、关系和属性,以及实施数据验证、完整性和安全性流程。
简而言之,数据建模基本上意味着您正在为数据在雇主系统中的组织和连接方式创建蓝图。 您可以将其视为绘制房屋蓝图。 就像蓝图显示了不同的房间以及它们是如何连接的一样,数据建模显示了不同的信息片段是如何相互关联和连接的。
这有助于确保以一致且有效的方式存储和使用数据。
为什么在 2023 年成为数据科学家很重要?
作为数据科学家,您将负责确保数据以可访问的方式进行组织和结构化。 数据建模和管理可帮助您处理数据、共享数据、确保数据准确并根据数据做出决策。
你在哪里可以学到它?
微软有个好 简介 在他们的博客上,时长仅半小时,评价很高。 这是一个很好的起点。
图片作者
许多数据科学术语刚刚从其他专业中被抢走,比如建模和挖掘。 让我们深入了解它的含义及其重要性。
什么是数据挖掘?
数据挖掘是通过聚类、分类和关联规则等技术从数据中提取有用信息的过程。 您正在筛选名副其实的数据洪流,以找到有用的金块。 (也许数据平移更适合这项技能!)
为什么在 2023 年成为数据科学家很重要?
想象一下:你是 2023 年的数据科学家。你有来自一万个不同来源的数据。 您使用什么技能来识别所有这些数据喷泉中的模式?
是数据挖掘。
你在哪里可以学到它?
数据挖掘通常涵盖在涵盖大数据或数据分析的课程中,因为它是这两种技能中非常重要的组成部分。 埃德克斯 提供一对 学习数据挖掘的选项。
深度学习与机器学习有微妙的不同! 深度学习是机器学习的一个子领域。
什么是深度学习?
深度学习是机器学习的一个方面,它专注于创建可以通过多层人工神经网络学习数据模式的算法。 (顺便说一下,人工神经网络是一种模拟人脑结构和功能的机器学习算法。)
为什么在 2023 年成为数据科学家很重要?
人工智能在 2023 年变得越来越复杂。仅了解 AI 和 ML 的基础知识是不够的——您还应该熟悉最前沿的知识,因为它明天就不是最前沿的了。 深度学习在几年前还很新颖,而现在它已成为必需品。
当公司能够访问真正海量的数据时,数据科学家将有望使用深度学习。 它用于图像和视频处理,或计算机视觉应用。
你在哪里可以学到它?
我喜欢 Simplilearn 的教程 作为起点。
有许多很有用的新兴技术和技巧。 这些要么更高级,如生成对抗网络,要么更基于软技能,如数据讲故事,或专门针对时间序列预测等领域。 我将在这里简要总结这些:
- 自然语言处理(NLP):人工智能的一个子领域,负责处理和理解人类语言。 聊天机器人使用这个。
- 时间序列分析与预测:随着时间的推移研究数据并使用统计模型对未来事件进行预测。 您可以使用此技能进行销售或收入分析。
- 实验设计和 A/B 测试:设计和进行对照实验以检验假设并根据数据做出决策的过程。
- 数据讲故事: 向非技术利益相关者有效传达数据见解和发现的能力。 越来越多的利益相关者对此感兴趣 为什么 基于数据的决策背后,所以这是至关重要的。
- 生成对抗网络(GAN):一种深度学习架构,其中训练两个神经网络协同工作以生成类似于给定数据集的新数据。
- 迁移学习: 一种机器学习技术,其中模型在一项任务上进行预训练,并在相关任务上进行微调,从而提高性能并减少所需的训练数据量。 资源更有限的小公司会发现这很有用。
- 自动化机器学习 (AutoML): 一种使机器学习模型的选择、训练和部署过程自动化的方法。
- 超参数调整: 另一个 ML 子类别。 这是通过调整未从数据中学习的参数(例如学习率或隐藏层数)来优化机器学习模型性能的过程。
- 可解释的人工智能 (XAI):人工智能的一个分支,专注于创建透明且可解释的算法和模型,以便人类可以理解其决策过程。 同样,帮助利益相关者了解正在发生的事情。
如果你想在 2023 年成为一名数据科学家,这 19 项技能绝对至关重要。 真正的好消息是,其中许多技能可以自学,而其他技能则可以在担任初级职位时学习,例如 数据或业务分析师.
几种学习方法:
- 经常查看 YouTube。 有这么多免费的、全面的资源。 我在这里列出了一些,但那里的视频几乎是无限的。
- Coursera 和 EdX 等平台经常有讲座系列
- 我们有超过一千个真正的面试问题可供练习,包括 基于编码 和 非编码。 我们还提供 数据项目示例.
享受学习这些技能的旅程,在 2023 年成为一名数据科学家。
内特·罗西迪 是一名数据科学家和产品战略。 他也是教授分析学的兼职教授,并且是 地层划痕,一个帮助数据科学家准备面试的平台,回答来自顶级公司的真实面试问题。 与他联系 推特:StrataScratch or LinkedIn.
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 访问这里。
- Sumber: https://www.kdnuggets.com/2023/04/top-19-skills-need-know-2023-data-scientist.html?utm_source=rss&utm_medium=rss&utm_campaign=top-19-skills-you-need-to-know-in-2023-to-be-a-data-scientist
- :是
- $UP
- 2023
- a
- 对,能力--
- Able
- 关于
- 关于它
- 绝对
- ACCESS
- 无障碍
- 精准的
- 缩略语
- 横过
- 添加
- 高级
- 对抗
- 向前
- AI
- 算法
- 算法
- 所有类型
- 允许
- 允许
- 已经
- Amazon
- 量
- 量
- 分析
- 分析
- 分析
- 和
- 和基础设施
- 另一个
- 分析数据
- 应用领域
- 应用领域
- 架构
- 保健
- 国家 / 地区
- 抵达
- 艺术
- 刊文
- 人造的
- 人工智能
- 人工神经网络
- AS
- 社区
- At
- 属性
- 自动化
- 自动化
- AutoML
- AWS
- Azure
- 后端
- 基于
- 基本上
- 基础
- BE
- 因为
- 成为
- 成为
- 成为
- 背后
- 作为
- 最佳
- 更好
- 大
- 大数据运用
- 亿
- 博客
- 大脑
- 分支机构
- 午休
- 简要地
- 商业
- by
- CAN
- 产品类别
- 改变
- 图表
- 聊天机器人
- 查
- 分类
- 分类
- 清洁
- 云端技术
- 云计算
- 集群
- COM的
- 未来
- 相当常见
- 常用
- 通信
- 公司
- 复杂
- 元件
- 由
- 全面
- 一台
- 计算机视觉
- 计算机视觉应用
- 电脑
- 计算
- 概念
- 开展
- 分享链接
- 已联繫
- 一贯
- 包含
- 继续
- 受控
- 兑换
- 可以
- Coursera
- 课程
- 外壳
- 覆盖
- 创建信息图
- 创造
- 创建
- 危急
- 关键
- 电流
- 曲线
- 切割
- data
- 数据分析
- 数据挖掘
- 数据处理
- 数据科学
- 数据科学家
- 数据集
- 数据集
- 数据存储
- 数据可视化
- 数据仓库
- 数据仓库
- 数据库
- 数据库
- 数据集
- 处理
- 处理
- 决策
- 决定
- 深
- 深入学习
- 定义
- 部署
- 设计
- 设计
- 开发
- 不同
- 区分
- 不会
- 向下
- 画
- 驾驶
- 重复
- 每
- 更容易
- 容易
- 边缘
- EDX
- 有效
- 只
- 高效
- 或
- 使
- 从事
- 更多
- 确保
- 确保
- 实体
- 必要
- 醚(ETH)
- 甚至
- 事件
- 所有的
- 现有
- 期望
- 预期
- 体验
- 指数
- 广泛
- 提取
- 熟悉
- 少数
- 部分
- 找到最适合您的地方
- 寻找
- 姓氏:
- 固定
- 洪水
- 重点
- 重点
- 针对
- 格式
- 创办人
- Free
- 止
- 功能
- 滑稽
- 未来
- 获得
- GAN
- 生成
- 产生
- 生成的
- 生成对抗网络
- 得到
- 越来越
- 特定
- 一览
- Go
- GOES
- 金色的
- 非常好
- 谷歌
- 谷歌云
- 图像
- 图表
- 大
- 更大的
- 组的
- 增长
- 成长
- Hadoop的
- 半
- 手
- 处理
- 手柄
- 处理
- 手
- 事件
- 硬件
- 哈佛
- 有
- 有
- 听
- 帮助
- 帮助
- 帮助
- 此处
- 老旧房屋
- 突出
- 高度
- 历史的
- 别墅
- 创新中心
- How To
- HTTPS
- 人
- 人类
- 饥饿
- i
- 生病
- 鉴定
- 图片
- 图片
- 实施
- 重要
- 改善
- 改善
- in
- 增加
- 日益
- 行业
- 行业中的应用:
- 信息
- 通知
- 基础设施
- 可行的洞见
- 代替
- 诚信
- 房源搜索
- 兴趣
- 网络
- 专属采访
- 面试问题
- 面试
- IT
- 它的
- 行话
- 工作
- 旅程
- 掘金队
- 保持
- 保持
- 键
- 类
- 知道
- 会心
- 知识
- 土地
- 语言
- 大
- 层
- 学习用品
- 知道
- 学习
- 阅读
- 让
- 各级
- 喜欢
- 已发布
- 加载
- 本地
- 长
- 爱
- 机
- 机器学习
- 机
- 主流
- 保持
- 使
- 制作
- 制作
- 管理
- 颠覆性技术
- 操纵
- 方式
- 许多
- 地图
- 主
- 数学的
- 问题
- 事项
- 手段
- 方法
- 微软
- 可能
- 采矿
- 失踪
- ML
- 模型
- 造型
- 模型
- 更多
- 最先进的
- 移动
- 多
- 姓名
- 自然
- 自然语言
- 自然语言处理
- 需求
- 打印车票
- 需要
- 需要
- 网络
- 神经
- 神经网络
- 全新
- 消息
- NLP
- 非技术
- 小说
- 数
- 数字
- 明显
- of
- 提供
- 优惠精选
- on
- 一
- 追求项目的积极优化
- 附加选项
- 附加选项
- 神谕
- 组织
- 举办
- 其他名称
- 其它
- 除此以外
- 简介
- 己
- 参数
- 部分
- 模式
- 演出
- 性能
- 挑
- 图片
- 件
- 地方
- 地方
- 平台
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 大量
- 点
- 热门
- 功率
- 几乎
- 在练习上
- 预测
- 都曾预测
- 预测
- Prepare
- 漂亮
- 预览
- 市场问题
- 问题
- 过程
- 过程
- 处理
- 产品
- 热销产品
- 产品与服务
- 教授
- 程序
- 项目
- 项目
- 提升
- 正确
- 提供
- 放
- 蟒蛇
- 质量
- 有疑问吗?
- 急速
- 率
- 宁
- 原
- 原始数据
- RE
- 达到
- 准备
- 真实
- 最近
- 承认
- 建议
- 推荐
- 减少
- 指
- 有关
- 关系
- 删除
- 重复
- 知识库
- 代表
- 必须
- 需求
- 酷似
- 资源
- 责任
- 提供品牌战略规划
- 成果
- 简历
- 收入
- 摆脱
- 角色
- Room
- 房间数
- 名册
- 行
- 定位、竞价/采购和分析/优化数字媒体采购,但算法只不过是解决问题的操作和规则。
- s
- 销售
- 可扩展性
- 科学
- 科学家
- 科学家
- 范围
- 秘密
- 部分
- 保安
- 选择
- 系列
- 特色服务
- 集
- 套数
- 几个
- 形状
- Share
- 短
- 应该
- 显示
- 作品
- 类似
- 自
- 单
- 技能
- 技能
- 小
- 潜行
- So
- 方案,
- 解决
- 一些
- 有人
- 极致
- 来源
- 来源
- 火花
- 专家
- 专门
- 具体的
- 言语
- Spot
- SQL
- 分期
- 利益相关者
- 开始
- 开始
- 统计
- 留
- 症结
- 仍
- 存储
- 商店
- 存储
- 商店
- 评书
- 直
- 策略
- 结构体
- 结构化
- 学习
- 这样
- 总结
- 超级
- 超级大国
- 系统
- 产品
- 采取
- 服用
- 说
- 任务
- 任务
- 教诲
- 技术
- 技术
- 专业技术
- 十
- tensorflow
- 条款
- test
- 测试
- 这
- 基础知识
- 信息
- 其
- 他们
- 那里。
- 博曼
- 事
- 三
- 通过
- 次
- 时间序列
- 至
- 一起
- 明天
- 也有
- 工具
- 最佳
- 跟踪时
- 熟练
- 产品培训
- 改造
- 转型
- 透明
- 趋势
- 可靠
- 教程
- 一般
- 理解
- 理解
- 了解
- 使用
- 有用的信息
- 平时
- 验证
- 有价值
- 价值观
- 各种
- 各个
- 广阔
- 速度
- 视频
- 视频
- 在线会议
- 愿景
- 可视化
- 体积
- 卷
- 仓库保管
- 仓储服务
- 方法..
- 方法
- 天气
- 卷筒纸
- 井
- 什么是
- 是否
- 这
- 而
- WHO
- 将
- 也完全不需要
- 工作
- 一起工作
- 加工
- 将
- 年
- 您一站式解决方案
- YouTube的
- 和风网