what-15-data-scientists-say-about-key-skills-79155813be5a
15 位顶级数据科学家的建议
原文：
towardsdatascience.com/what-15-data-scientists-say-about-key-skills-79155813be5a
成为“优秀”或甚至“杰出”的数据科学家需要哪些基本技能？
好吧，我询问了来自多个公司和行业的 15 位数据科学家他们的看法，可以说我对其中一些回应感到相当惊讶。
希望这篇文章能给你提供更好的指导，告诉你如何在数据科学职业生涯中取得进步！
结果
为了避免浪费时间，以下是 15 位数据科学家总结的顶级 10 项技能，以图表形式呈现。
由作者使用 Python 和 ChatGPT 生成的图表。
我觉得相当有趣的是技术技能，如数学和编码，以及更软的技能，如沟通和好奇心。
从个人角度来看，这是有道理的。数据科学家的真正核心是发现数据中的趋势和信息，你需要技术知识和工具来做这件事。然后，你需要轻松地将这些信息传达给高级管理层和利益相关者，以便他们可以为业务做出明智的决策。
这听起来很简单，但由于数据的数量和广度，往往很难知道该从哪里着手。这实际上是在一堆稻草中找针。幸运的是，有一些工具和策略可以增加你的运气，我们现在将按顺序介绍。
SQL
SQL 是“数据语言”，所以它为什么位列前五是有道理的。我认为我从未见过或听说过不使用 SQL 的数据科学或数据工作。
在这个“大数据”世界中，当尝试分析数百万行数据时，Excel 就不够用了，而 SQL 则可以无缝工作。如今，几乎每家公司都有大量的数据，因此 SQL 至少在每个组织中都被至少一个人普遍使用。
幸运的是，对于那些刚开始旅程的你们来说，与 Python 或 C++等其他编程语言相比，SQL 相对容易学习。
这是因为 SQL 体积小，专门设计用于与关系数据库一起工作，所以在你开始感觉熟练并能开始解决现实世界问题之前，几乎不需要学习。
如果你掌握了基础知识，你基本上就准备好了，这些基础知识包括：
-
SELECT FROM* (标准查询)
-
ALTER, INSERT, CREATE (修改表)
-
GROUP BY, ORDER BY
-
WHERE, AND, OR, BETWEEN, IN, HAVING (过滤表)
-
AVG, COUNT, MIN, MAX, SUM (聚合函数)
-
FULL JOIN, LEFT JOIN, RIGHT JOIN, INNER JOIN, UNION
-
CASE
-
DATEADD, DATEDIFF, DATEPART (日期和时间函数)
我有一篇完整的文章解释了成为数据科学家所需的确切 SQL 知识，如果你感兴趣的话可以查看。
Python
没有惊喜；Python 在列表中并列第四。Python 和 SQL 是数据科学、机器学习和 AI 世界的强大组合。
许多机器学习生态系统和库都是针对 Python 设计的，就像 SQL 一样，我没有看到任何不要求以某种形式使用 Python 的数据科学工作。
然而，与 SQL 不同，Python 的学习稍微复杂一些。它是一种通用语言，因此可以做很多事情，并应用于技术空间的多个领域。
当谈到 Python 时，我建议学习基本语法。这些是你应该确保学习的事情：
-
变量和数据类型
-
布尔和比较运算符
-
控制流和条件
-
For 和 While 循环
-
函数
-
本地数据类型（列表、字典、元组等）
-
类
-
包
然后学习一些数据科学特定的库：
-
NumPy – 这个库是为科学计算设计的，提供了许多数学函数和矩阵支持。它用 C 语言开发，具有优化的计算，这对于处理大型模型和大数据特别有益。
-
Pandas – 这是 Python 中加载、操作和数据处理的首选库。它非常适合几乎任何数据分析任务，并且易于使用。
-
Matplotlib – 作为数据科学家，你必须可视化你的数据或结果。Matplotlib 由于其广泛的功能，是 Python 中领先的可视化包。
之后，立即开始工作项目。只有通过实践，你才能真正理解 Python。
我有一篇单独的文章详细说明了我会如何再次学习 Python，如果你有兴趣的话可以查看。
机器学习
作为数据科学家，你需要熟悉机器学习。这并不是说你应该能够从第一原理推导出转换器。
然而，在我看来，你应该了解监督学习和无监督学习空间中的各种算法，以及它们在特定情况下的优缺点和主要应用问题。
你还应该熟悉过拟合、交叉验证、超参数调整和正则化等概念，这些都是构建机器学习模型的最佳实践，并且在工业界经常使用。
机器学习是一个不断发展的广阔领域，因此期望始终了解所有内容是不现实的。然而，培养一种自然的求知欲，这是一种顶级技能，对于提高你的数据科学能力是无价的。
如果你想学习机器学习，Coursera 上的**Andrew Ng 的机器学习专项课程**是最好的选择。这是我在 2020 年上的第一门机器学习课程。然而，它已经进行了更新，包括令人兴奋的推荐系统和强化学习主题。更不用说，现在的编码教程现在是使用 Python 了！
我推荐的下一门课程是 Andrew Ng 的**深度学习专项课程**。这是机器学习专项课程的后续课程，将教你关于深度学习的所有你需要知道的内容，这也是人们经常进入数据科学领域的主要原因之一。
如果你对机器学习路线图感兴趣，请查看。
沟通
对于数据科学家来说，第二重要的技能实际上是一种软技能，但不可小觑。在我们的领域中，沟通是关键。
如果不向他人展示你的工作和见解，他们如何了解？
数据科学家是商业和技术两方面的关键纽带，因为我们通常对这两个领域都相当了解。因此，我们可以根据特定的听众调整我们的演讲风格，并从两个角度看待问题。
问题在于沟通是一项难以掌握的技能，你将不断改进并永远如此。
我发现提高沟通能力的最佳方式是抓住任何机会进行演讲，撰写博客，并开始制作 YouTube 视频。
当然，还有许多其他提高沟通技巧的方法，但你必须积极寻找它们。记住，你沟通得越多，你在公司中的可见性就越高。这种增加的可见性可以打开通往新机会的大门，包括晋升。
可见性是我晋升的一个原因；下面了解更多关于这一点的内容。
数学
最后，我们来到了最重要的技能，数学。
如果我进行这项调查，我会把数学列为我的首要技能，因为像 Python 和 SQL 这样的工具只是你用来从数据中获得你想要的东西的工具。
为了知道你想要什么，你需要理解数学，这会给你关于你想要解决的问题的正确思考和直觉。
我经常被问到的一个问题是：
我真的需要多少数学？
答案相当简单：在我看来，你需要对微积分、统计学和线性代数有一个大约高中水平的基础理解。
这将足以理解诸如梯度下降、贝叶斯统计和在整个行业中使用的特征值等概念。此外，你不太可能真正坐下来做数学；更重要的是更好地理解机器学习算法是如何工作的。
当然，你懂得的数学越多越好，这将使你能够进入更多技术角色，比如员工或首席数据科学家，甚至是研究行业。
对于这些类型的职位，你通常需要一个 STEM 学科的学士学位，理想的是物理学、数学或统计学。硕士学位或博士学位会更好。
但是，对于入门级职位，基础知识就足够了，所以不必过于担心！
我有一篇完整的文章解释了数据科学所需的数学，以及我将在下面链接的最佳资源。
摘要 & 进一步思考
成为数据科学家所需的技能相对直接。然而，真正棘手的是当你需要持续学习这些技能时。我总是认为一切都很简单；你需要努力和耐心才能得到你想要的结果！
另一件事！
我提供一对一的辅导电话，我们可以聊任何你需要的事情——无论是项目、职业建议，还是只是确定你的下一步。我在这里帮助你前进！
[1:1 Mentoring Call with Egor Howell]
职业指导、工作建议、项目帮助、简历审查topmate.io](https://topmate.io/egorhowell/1203300)
浙公网安备 33010602011771号