如何成为一名数据科学家？数据工程比数据科学更有需求吗?对于一个数据工程师来说，有可能进入机器学习领域吗?深度学习是数据科学职位的关键技能吗?数据工程、数据科学和深度学习工作需要哪些技能?-这些是到目前为止我们在2021年收到的一些最热门的查询。在这篇文章中，我们将试图解读所有这些问题。此外，我们还将为您概述数据科学职业、所需技能和工作趋势。
数据科学职业道路，所需技能和工作概述
什么是数据科学？
数据科学是一个跨学科的领域，专注于提取用于使用业务应用程序的有意义的见解。数据科学领域位于计算机和信息科学，数学，统计和建模的交叉点，以及对业务和语境知识的理解。
对于有兴趣在数据科学的学习或开发职业生涯的人，他们需要具备以下内容：
- 具备一定的编程基础知识和技能
- 计算机架构
- 数据结构
- 数学建模
一旦您有了这种理解，您就可以在某个行业或数据科学的水平应用程序中开发更多的实践经验。
还有一些其他实际领域环绕着数据科学，并且在工业工程，计算机科学的机器学习，计算机学习中的运营研究以及MBA或MIS学位的业务分析等方面具有更多的实用区域。这告诉我们，任何希望专注于数据科学领域的人都可能有许多路径和机会。
数据科学的潜在工作和职业机会是什么？
大多数数据科学毕业生和专业人士都被聘为以下角色：
- 数据工程师
- 数据分析师
- AI / ML工程师
- 软件工程师
- 业务分析专业
数据工程师专注于实时或批处理模式集成、吸收和存储来自多个数据源的海量数据集。
机器学习(ML)工程师专注于在这些海量数据集上开发模型、算法或闭环系统。
许多软件工程师与数据工程师或AI/ML工程师密切合作，开发系统、应用程序或平台和产品中的商业智能功能。
商业分析师更多地开展日常业务运营的分析和评估，或向技术团队提供反馈，以获得对业务重要的有效性和商业指标。
在数据科学领域取得成功所需的技能
对于毕业生和年轻的专业人士来说，要想在数据分析领域取得成功，拥有不同级别的资历和经验，以下是一些至关重要的技能。这些技能补充了专业人员的技术才能。
在数据科学中取得成功所需的主要技能是：
- 量化技能- 需要开发模型，分析，算法和对数据，变量，相关等的理解。
- 它和解决方案架构技能- 这些技能与完整的视图和解决方案设计，开发等有关。
- 商业敏锐技能- 这些是重要的，并且需要进行商业领域和技术叠加，以解决问题和挑战。
- 软技能- 这些对于商业分析师专业人士和高级技术和产品领导人来说都很重要，故事告诉和为高级商业领袖提供业务和推荐计划。
以下是如何对技能图如何反对数据科学角色和机会的级别的概览地图：
数据科学的毕业生和专业人员的工作机会
- 数据工程师和架构师：数字转换需要公司需要连接和转换数据源，数据仓库，数据库，包括更多云，混合环境（数据流，数据事件，数据湖泊，云数据库等）
- 数据/业务分析师和数据科学家：采取数据并分析它们，业务和分析报告，日常运行业务。信息管理，风险，客户营销，运营，账户，财务等
- AI / ML工程师：建立强大的AI / ML型号：开发自学和自行运行系统。推荐发动机。了解亚马逊，微软IBM，谷歌开发了AI / ML平台和能力
数据工程vs数据科学
什么是数据工程?
数据工程是数据科学的子集，这是一种综合术语，它包含与与数据一起使用相关的众多信息领域。从根本上，数据科学与获取数据进行分析以提供重大和有价值的见解。数据可以另外应用于为机器学习，BI，数据流分析或任何其他类型的分析提供一些值。
目前的数据科学就业市场
目前，绝大多数的数据科学家职位(约70%)实际上是数据工程职位。如果您是数据科学家，并且您做了SQL，Tableau并花费大部分时间准备数据和数据流水线，那么您只不过是数据工程师，而是使用数据科学家标题。
如果你是一个想要做ML建模的数据科学家，那么数据工程师的工作对你来说可能会很无聊。您整天坐在那里编写SQL，想着容器、迁移、进程和文件类型。一个只专注于ML的数据工程师被称为机器学习工程师，他比数据工程师拥有更多的技能，比如将ML模型投入生产。
如今，要找到真正的数据科学家工作真的很难。大多数真正的数据科学家的工作都转向了深度学习。传统的类似ml的随机森林或基于基本算法的Python建模已经转移到云。也就是说，有太多现成的cookie-cutter应用程序只允许您上传数据并运行一些预先构建的算法，而不需要任何其他知识。从本质上说，这就是这类数据科学家所做的。
读了Nandan Mishra的故事，在德国追求德国数据工程大师的奖学金。
深度学习是新趋势
什么是深入学习？
深度学习，也称为深神经网络，是机器学习的方法之一。其他主要方法包括决策树学习，归纳逻辑编程，聚类，强化学习和贝叶斯网络。
深度学习是一种机器学习策略，显示了如何进行逻辑运作的设备和计算机。深度学习从它包括深入到网络的许多层的方式中获得了名称，该网络另外包含隐藏层。你跳得更深，你删除更复杂的洞察力。读深度学习与机器学习与人工智能。
深度学习涉及数学建模，可以被认为是某种类型的简单块的组成，并且可以调整一些这些块以更好地预测最终结果。
深度学习的工作
目前，可以使用深度学习可以越来越多地复制使用随机林，梯度升压或任何其他顶级算法可以实现的任何结果。今天，任何现实世界的复杂问题只能使用深度学习来解决。
如果您查看任何复杂的问题，那么像谷歌这样的大型公司解决了，那么就会在那里有一些深入的学习。尚不清楚的一件事是专门做深入学习而不是传统机器学习的数据科学家的标题。深入学习科学家，或者可能是深度学习工程师。
如何获得数据工程/科学和深度学习工作
更多数据工程工作
数据工程师与其他数据驱动的职业相比，对数据的需求越来越高。从某种意义上说，这代表了更广泛领域的发展。
5-8年前，当机器学习变得热门时，公司决定他们需要能够对数据进行分类的人。但是像这样的框架纹orflow.和Pytorch.变得真的很好，民主化能力终止深入学习和机器学习。
这使得数据建模技能组件。
如今，在帮助企业利用机器学习和建模洞察生产方面的瓶颈集中在数据问题上。
你如何注释数据？你如何处理和清洁数据？你如何将它从A移动到B？你是如何尽快这样做的？
数据科学就业市场将充满竞争
它越来越难以找到真实ml和dl的工作。70 - 90％的工作是数据工程师，但是标题为数据科学家。
由于对Real ML和DL的需求较少，那么这些就业人真的很高。我实际上是一个大胆的声称，当我们知道大约2010年时，机器学习非常死！它已被民主化，自动化，包装，并进入下拉菜单，所以即使是营销人员也可以运行它。
现在推动似乎是正确获取数据唯一能做到这一点的人就是数据工程师!没有人担心ML部分，因为你可以将你的BI连接到云人工智能，甚至一个高水平的技术经理或营销人员可以运行这个秀!哈哈或者是数据工程师!
数据科学家工作的挑战
所以，如果你正在寻找数据科学家的工作，竞争将会更加激烈。市场上可以提供的职位将会越来越少，因为市场上有大量受过数据科学培训的新人。
我们总是需要能够有效分析并从数据中提取出可操作的见解的人。但他们必须是好的。
在Tensorflow网站上下载预先训练的模型Iris数据集可能已经不足以胜任数据科学的工作了。
但很明显，有很多ML工程师开放公司通常想要混合数据从业者：可以构建和部署模型的人。或者，更简洁地说，可以使用TensorFlow的人，但也可以从源代码建立它。
机器学习工作的场景
这里的另一个结论是研究ML的职位并不多。
机器学习研究往往会得到应有的宣传因为所有尖端的东西都是在那里发生的AlphaGo和GPT-3.而且是什么。
但是，您可能会在行业研究实验室中找到更多这些类型的角色，这些角色可以为长时间的时间带来资本密集的赌注，而不是试图展示产品 - 在它提升时展示产品 - 市场适合投资者A系列A.
深度学习的工作正在增加
深度学习是一个极其令人兴奋的发展，这引发了我们生活的许多方面的AI革命，并且是最近近期壮观发展的关键技术，如生物医学信号分析，图像识别，无人驾驶汽车，语音处理和自然语言处理。
深度学习和自然语言处理是最热门的需求技能
无论是通过技术实现泊车辅助，还是在航空终点站进行人脸识别，在当今时代，深度学习正在推动大量的自动化。尽管如此，深度学习的重要性很大程度上是因为我们的现实正在创造大量的数据，而这些数据需要大规模构建。
自然语言处理是今年需求量更多的AI纪律的另一个技能。许多初创公司和公司正在寻找具有演讲识别和NLP经验的人，也可以雇用很多新的毕业生。
获得深度学习工作的学习路线图应该是什么
以下是一个典型的结构化学习路径:
先决条件（月0）：
- python用于数据科学
- 统计数据
- 数据展示与分析
- 线性回归
- 逻辑回归
- 决策树算法
- k折叠交叉验证奇异值分解
第一个月:熟悉文本数据
- 文本挖掘
- 常用表达
- 文本预处理
- 文本数据的探索性分析
- 文本数据的元特征提取
第2个月:计算语言学和词向量
- 提取语言特征
- 文本表示在传染媒介空间
- 主题建模
- 信息提取
第3个月:NLP的深度学习
- 神经网络
- 优化算法
- 递归神经网络
- Pytorch.
月4：NLP的深度学习模型
- 用于文本分类的rnn
- NLP的卷积神经网络（CNN）模型
月5：顺序建模
- 语言建模
- Sequence-to-Sequence建模
月6：在NLP中转录
- ulmfit.
- 变形金刚
- Pre-trainer大型语言模型
- 微调预训练模型
第7个月:聊天机器人和音频处理
- 聊天机器人
- 音频处理
您的目标应该准备使用非常大的数据集，并解决长形对话的复杂性。看看我们的关于机器学习和深度学习的最佳在线课程列表。
相关文章:
特色图片来源:印度今天
