2017 年，大数据把 AI 推向了技术炒作的舞台正中央，数据科学和机器学习在各行各业开始崭露头角。机器学习开始被应用于解决数据分析问题。机器学习、AI 和预测分析成为 2017 年的热门话题。我们见证了基于数据的价值创新，包括数据科学平台、深度学习和主要几个厂商提供的机器学习云服务，还有机器智能、规范性分析、行为分析和物联网。2018 年，AI 的发展脚步会加快，这一年将是 AI 技术重生和数据科学得以重新定义的一年。对于雄心勃勃的数据科学家来说，他们如何在与数据科学相关的工作市场中脱颖而出？2018 年会有足够多的数据科学相关工作吗？还是说有可能出现萎缩？接下来，让我们来分析一下数据科学的趋势，并一探如何在未来的大数据和机器学习 /AI 领域获得一份不错的工作。
增强技术实力
编程语言和开发工具
365 Data Science 收集了来自 LinkedIn 的 1001 数据科学家的信息，发现需求量最大的编程语言为 R 语言、Python 和 SQL。另外，还要求具备 MATLAB、Java、Scala 和 C/C++ 方面的知识。为了能够脱颖而出，需要熟练掌握 Weka 和 NumPy 这类工具。
概率统计学、应用数学和机器学习算法
你需要牢固掌握概率统计学，并学习和掌握一些算法，比如朴素贝叶斯、高斯混合模型、隐马尔可夫模型、混淆矩阵、ROC 曲线、P-Value 等。
不但要理解这些算法，还要知道它们的工作原理。你需要牢固掌握梯度下降、凸优化、拉各朗日方法论、二次规划、偏微分方程、求积法等相关算法。
如果你想找一份高薪的工作，还需要掌握机器学习技术和算法，比如 k-NN、朴素贝叶斯、SVM 和决策森林等。
分布式计算和 Unix 工具
现在大部分机器学习都需要海量数据，所以你无法在单台机器上进行机器学习。所以，你需要用到集群，需要掌握 Apache Hadoop 和一些云服务，如 Rackspace、Amazon EC2、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。
你还需要掌握各种 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。因为机器学习基本上都是在 Unix 系统上运行的，所以需要掌握这些工具，知道它们的作用以及如何使用它们。
查询语言和 NoSQL 数据库
传统关系型数据库已经老去。除了 Hadoop 之外，你还需要掌握 SQL、Hive 和 Pig，以及 NoSQL 数据库，如 MongoDB、Casssandra、HBase。
基于 NoSQL 分布式数据库的基础设施已经成为大数据仓库的基础。原先在一个中心关系型数据库上需要 20 个小时才能处理完的任务，在一个大型的 Hadoop 集群上可能只需要 3 分钟时间。当然，你也可以使用 MapReduce、Cloudera、Tarn、PaaS、Chef、Flume 和 ABAP 这些工具。
数据可视化工具
在掌握编程语言和算法的同时，不要忽略了数据可视化的作用。如果无法让你自己或别人理解数据，那么它们就变得毫无意义。数据可视化就是指如何在正确的时间向正确的人展示数据，以便让他们从中获得价值。主要的数据可视化工具包括：Tableau、QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。
正确选择教育背景和专业
要成为数据科学家，不一定非要拿到数据科学方面的学位。事实上，你完全不需要这么做，这样做反而不是个好主意。如果你能拿到计算机学位、工程学学位、经济学学位、数学学位、统计学学位、精算师学位、金融学学位或者自然科学学位（物理、化学或生物）都是可以的。甚至是人文科学（包括社会科学）也是可以的。
365 Data Science 的研究表明，20% 的数据科学家拥有计算机学位，19% 拥有统计学或数学背景，19% 主攻经济和社会科学专业。只有 13% 拥有存粹的数据科学学位。不过很少有大学提供数据科学本科学位，他们大部分都提供了硕士学位。因为该职业是一个新兴职业，所以毫无疑问，很多人在本科阶段并不会接触到数据科学。
如果能够继续深造，拿到数据科学或机器学习 /AI 相关的硕士或博士学位，自然会助你一臂之力，特别是如果你想在世界 500 强公司里找到一份数据科学家的工作。365 Data Science 研究发现，拥有硕士和博士学位的 1001 数据科学家比例分别是 48% 和 27%。
不过，硕士学位确实不是那么好拿到的，但如果能够拿到，那绝对是如虎添翼。如果你想从事数据分析工作，但不一定要接触数据科学和机器学习，那么硕士学位就不是必需的。你完全可以在没有硕士学位的情况下获得一份数据分析的工作。不要把数据科学和数据分析混淆起来了。
获得实际的经验
在实习结束后，有 18% 的人可以直接进入数据科学领域。所以，如果你已经有了硕士学位，最好先找一个实习岗位，而不是直接继续读博。
在现实当中，很少有公司会直接正式招聘应届的数据科学家。他们大部分人都是从分析员（数据分析、BI 分析）、实习生、IT 专员、软件工程师和咨询顾问做起的。只有 2% 的人在一开始就从事数据科学工作。
有意思的是，数据科学家中有 27% 是博士，所以大学自然就成为培养数据科学家的摇篮，有一些高校学者直接被聘请成为数据科学家。另外，从事 IT 工作的人比从事顾问工作的人更容易成为数据科学家，所以扎实的编程功底绝对是个优势。
在某种程度上，大学排名很重要
28% 高收入数据科学家来自世界排名前 50 的高校，不过也有 25% 来自不在排名之列的高校。
所以，这个与学校排名有一定的关系，但不是全部。知识、技术实力和实战经验比毕业院校更重要。实际的经验和良好的编程技能是必需的，而好学校是锦上添花，但不是决定因素。
参加在线教育课程
我参加在线课程有很长一段时间了。为了获得一份数据科学家的工作，或者为了拿到数据科学家硕士学位，需要努力自学。
40% 的数据科学家参加过在线教育课程。另外，平均每人获得 3.33 个证书。所以，为了成为好的数据科学家，你需要通过参加在线课程、观看视频资料和获得 MOOC 证书的方式进行自学。
加强你的软技能
数据科学都是关于数学、编程和技术。但在现今以数据为驱动的工作场所，软技能也是很重要的，如沟通技能、求知欲、创造力、文化智能、情商和商业敏锐度。
求知欲
数据科学的终极目标就是探索，以创新的方式发现新的想法。好的数据科学家受求知欲的驱使，以各种创新的方式探索数据。好的公司不只是需要那些会回答问题的人，也需要那些善于提问的人。
积极性和激情
有些人能够在学习和工作之外做一些体现自己激情的事情，这些人比较受招聘者的青睐，所以请主动加入一些数据科学项目吧，去解决一些实际的业务难题或做一些调研。创新思维能力和为旧问题寻找新方案的能力是区别优秀数据科学家和一般数据科学家的主要依据。
沟通和分析技能以及团队合作
好的数据科学家是技术团队和业务团队之间的粘合剂。作为数据科学家，你需要成为好的沟通协调者。
有时候，你要以一种大家都能明白的方式来陈述事实。如果数据分析的结果暗示公司的策略需要发生变化，你需要通过良好的人际关系技能将公司带向正确的方向。
业务敏锐度
作为数据科学家，你需要对所在行业有非常深刻的认识——行业发展趋势、客户的痛点、竞争对手。你要知道公司想要解决什么样的业务问题。数据科学家需要知道要解决什么问题以及如何找出合适的解决方案。深入了解业务，并能够将其与客户喜好、产品生命周期和盈利目标结合在一起，是找到创造性解决方案的关键。
为面试做好准备
不要忘了花点时间为面试做准备。不管你的技术有多强，面试官总有办法用一些你不知道的问题把你扫地出门。在面试中，面试官有可能问各种各样的问题，要求候选人具备非常强的技术功底、很强的抗压能力、创造性思维以及很好的沟通能力。面试官会通过各种方式来考察你的你的知识、编程技能和数据建模技能，所以提前做好准备是成功应聘的关键。
结论
2018 年，整个行业需要大概 100 万个数据科学家。人工智能、大数据和物联网技术被用于挖掘新的业务洞见，据福布斯估计，“在 2020 年之前，它们将从还在沉睡中的同伴那里每年偷走 1.2 万亿美元”。不过，要进入这个领域，要先确保你对统计、编程和数据建模有足够的热情，不要盲目随波逐流或盲目追求高薪资。
但或许你会在其他领域得到更好的发展，比如经济、应用数学或工程领域。首先要确定数据科学这条路是不是适合自己。2018 年绝对不会让那些有志在数据科学领域一展身手的人失望。不过还是那句话，一个具备分析能力的大脑、熟练的编程技能、诚挚的热情和持续自我提升的毅力将决定你的数据科学家之路会走多远。
