為什么你不應(yīng)該成為一名數(shù)據(jù)科學(xué)通才
大數(shù)據(jù)文摘出品
編譯：周家樂、狗小白、蔣寶尚
數(shù)據(jù)科學(xué)家似乎個(gè)個(gè)都是全才，他們知識(shí)面很廣，即寫的了代碼，又分析的了業(yè)務(wù)，沒事還能整個(gè)數(shù)學(xué)模型調(diào)調(diào)參數(shù)。
似乎，數(shù)據(jù)科學(xué)家涉及的領(lǐng)域越廣，越能突出數(shù)據(jù)科學(xué)這份職業(yè)的價(jià)值。
但是，情況恰恰相反!
有著豐富的數(shù)據(jù)科學(xué)經(jīng)驗(yàn)的SharpestMinds聯(lián)合創(chuàng)始人Jeremie Harris告訴你，千萬(wàn)不要成為一個(gè)數(shù)據(jù)科學(xué)通才!
以下是他以***人稱的論述，enjoy
我在公司幫新手規(guī)劃數(shù)據(jù)科學(xué)職業(yè)發(fā)展的時(shí)候，通常首先建議他們先去考慮一下自己想成為什么樣的數(shù)據(jù)科學(xué)家，而不是直接推薦一個(gè)新的庫(kù)或工具，或者一些寫簡(jiǎn)歷的技巧給他們。
這個(gè)問題之所以如此重要，是因?yàn)閿?shù)據(jù)科學(xué)涉及太多方面，以至于很難被一個(gè)人完全掌握。所以，對(duì)公司而言，與其雇一個(gè)什么都懂一點(diǎn)卻不精通的人，不如雇傭那些專才。
你可以試想一下你是一家計(jì)劃雇用數(shù)據(jù)科學(xué)家的公司。在你的腦海中幾乎存在一個(gè)需要尋求幫助才能解決的具體的問題，該問題需要一些相當(dāng)專業(yè)的技術(shù)知識(shí)和項(xiàng)目經(jīng)驗(yàn)。例如，一些公司將簡(jiǎn)單模型應(yīng)用于大型數(shù)據(jù)集，一些公司將復(fù)雜模型應(yīng)用于小型數(shù)據(jù)集，一些公司需要?jiǎng)討B(tài)地訓(xùn)練他們的模型，還有一些公司根本不使用傳統(tǒng)的模型。
解決上面例子中的每一個(gè)問題所需要的技能組合完全不同，而讓人感到特別奇怪的是，每一個(gè)有志于數(shù)據(jù)科學(xué)的人得到的建議往往是一樣的：“學(xué)習(xí)如何使用Python，構(gòu)建一些分類/回歸/聚類的項(xiàng)目。”
其實(shí)，出現(xiàn)這一現(xiàn)象的原因是包括我在內(nèi)的圈內(nèi)人造成的。因?yàn)樵陂e聊、博客帖子中，我們把過多的東西放到“數(shù)據(jù)科學(xué)”中。
為生產(chǎn)建一個(gè)強(qiáng)健的數(shù)據(jù)通道?這是一個(gè)“數(shù)據(jù)科學(xué)問題”。創(chuàng)造一種新型的神經(jīng)網(wǎng)絡(luò)?這是一個(gè)“數(shù)據(jù)科學(xué)問題”。
這往往導(dǎo)致有志于數(shù)據(jù)科學(xué)的人們失去對(duì)特定問題的深入研究，從而成為泛泛之輩。要知道，人才市場(chǎng)上已經(jīng)滿是所謂的通才，他們很難再得到市場(chǎng)的青睞或取得突破。
但是，如果你自己不清楚都有哪類常見問題需要你去深入研究，那你就很難避免流于平庸。
我們把圈內(nèi)出現(xiàn)的問題歸結(jié)為以下五類：
1. 數(shù)據(jù)工程師
職位描述：處理大量數(shù)據(jù)的公司，并管理數(shù)據(jù)通道。這意味著，當(dāng)需要時(shí)，你要能確保有效地從數(shù)據(jù)源收集和檢索數(shù)據(jù)，并進(jìn)行清理和預(yù)處理。
為什么它很重要：如果你只處理過相對(duì)小的(<5Gb)保存為.csv或.txt文件的數(shù)據(jù)集，那么你可能很難理解為什么會(huì)有一些人的全職工作是構(gòu)建和維護(hù)數(shù)據(jù)管道。
這里有幾個(gè)原因：
- 一個(gè)50Gb的數(shù)據(jù)集對(duì)計(jì)算機(jī)的RAM來(lái)說太大了，所以你通常需要其他方法將其輸入到你的模型中。
- 處理這么大規(guī)模的數(shù)據(jù)需要花費(fèi)大量時(shí)間，并且經(jīng)常需要冗余存儲(chǔ)。管理數(shù)據(jù)的存儲(chǔ)也需要專門的技術(shù)訣竅。
要求：你將使用的技術(shù)包括Apache Spark、Hadoop和/或Hive，以及Kafka。你很可能還需要有一個(gè)扎實(shí)的SQL基礎(chǔ)。
你要處理的問題聽起來(lái)像：
“我如何構(gòu)建一個(gè)能夠每分鐘處理10000個(gè)請(qǐng)求的數(shù)據(jù)管道?”
“如何清理數(shù)據(jù)集而不用將其全部加載到RAM中?”
2. 數(shù)據(jù)分析員
職位描述：將數(shù)據(jù)轉(zhuǎn)換成可指導(dǎo)業(yè)務(wù)發(fā)展的商業(yè)洞察力。你會(huì)是技術(shù)團(tuán)隊(duì)和商業(yè)戰(zhàn)略、銷售或營(yíng)銷團(tuán)隊(duì)的橋梁。數(shù)據(jù)可視化將成為你日常工作的重要組成部分。
為什么它很重要：純技術(shù)人員通常很難理解為什么數(shù)據(jù)分析員如此重要，但事實(shí)是他們就是很重要。這些人需要將經(jīng)過訓(xùn)練和測(cè)試的模型和大量用戶數(shù)據(jù)轉(zhuǎn)換為讓人易于理解的形式，以便根據(jù)數(shù)據(jù)分析結(jié)論設(shè)計(jì)業(yè)務(wù)策略。數(shù)據(jù)分析員幫助確保數(shù)據(jù)科學(xué)團(tuán)隊(duì)不會(huì)浪費(fèi)時(shí)間在不能提供業(yè)務(wù)價(jià)值的問題上面。
要求：你將使用的技術(shù)包括Python、SQL、Tableau和Excel。你還需要成為一個(gè)好的溝通者。
你要處理的問題聽起來(lái)像：
“什么驅(qū)動(dòng)了用戶的增長(zhǎng)?”
“我們?nèi)绾蜗蚬芾韺咏忉?，最近用戶費(fèi)用的增加會(huì)減少客戶?”
3. 數(shù)據(jù)科學(xué)家
職位描述：清理和探索數(shù)據(jù)集，并做出有商業(yè)價(jià)值的預(yù)測(cè)。日常工作包括訓(xùn)練和優(yōu)化模型，并將它們部署到生產(chǎn)中。
為什么它很重要：當(dāng)你有一大堆數(shù)據(jù)，以至于人類無(wú)法解析，同時(shí)這些數(shù)據(jù)也很珍貴以至于不能忽略它們時(shí)，你需要通過一些辦法從中提取一些可被接受的見解。這是數(shù)據(jù)科學(xué)家的基本工作：將數(shù)據(jù)轉(zhuǎn)換成可被理解的結(jié)論。
要求：你將使用的技術(shù)包括Python、scikit-learn、Pandas、SQL，可能還有Flask、Spark和/或TensorFlow/PyTorch。一些數(shù)據(jù)科學(xué)職位純粹是技術(shù)性的，但是大多數(shù)職位還需要你具有商業(yè)頭腦，這樣你就不會(huì)老想著去解決沒有人需要解決的問題。
你要處理的問題聽起來(lái)像：
“我們到底有多少種不同類型的用戶?”
“我們能建立一個(gè)模型來(lái)預(yù)測(cè)哪些產(chǎn)品能賣給哪些用戶嗎?”
4. 機(jī)器學(xué)習(xí)工程師
職位描述：建立、優(yōu)化和部署機(jī)器學(xué)習(xí)模型到生產(chǎn)中。通常需要把機(jī)器學(xué)習(xí)模型當(dāng)作API或組件來(lái)處理，把它們嵌入到全棧應(yīng)用程序或硬件中，但是你也可能會(huì)被要求自行設(shè)計(jì)模型。
要求：使用的技術(shù)包括Python、JavaScript、scikit-learn、TensorFlow / PyTorch(和/或企業(yè)級(jí)深度學(xué)習(xí)框架)和SQL或MongoDB(通常用作app數(shù)據(jù)庫(kù))。
你要處理的問題聽起來(lái)像：
“如何將這種Keras模型集成到我們的Javascript應(yīng)用程序中?”
“如何減少推薦系統(tǒng)的預(yù)測(cè)時(shí)間和預(yù)測(cè)成本?”
5. 機(jī)器學(xué)習(xí)研究員
職位描述：尋找新的方法來(lái)解決數(shù)據(jù)科學(xué)和深度學(xué)習(xí)中的挑戰(zhàn)性問題。沒有現(xiàn)成的解決方案給你，需要自己去制定。
要求：你將使用的技術(shù)包括Python、TensorFlow/PyTorch和SQL。
你要處理的問題聽起來(lái)像：
“我如何才能提高我們模型的準(zhǔn)確性，使之更接近***水平?”
“自定義優(yōu)化程序有助于減少訓(xùn)練時(shí)間嗎?”
這里列出的五種工作描述并不是在所有情況下都是獨(dú)立的。例如，在初創(chuàng)公司的早期，數(shù)據(jù)科學(xué)家可能還必須是數(shù)據(jù)工程師和數(shù)據(jù)分析師。但是，大多數(shù)工作都可以被劃分為這幾類工作中的一種，而且公司規(guī)模越大，數(shù)據(jù)科學(xué)工作的劃分越貼近這里所列出的類別。
總而言之，要記住的是，為了得到聘用，你***能培養(yǎng)一個(gè)更加專注的技能集：如果你只是想成為一名數(shù)據(jù)分析員，不要著急去學(xué)習(xí)TensorFlow;如果你是想成為一名機(jī)器學(xué)習(xí)研究人員，沒必要先去學(xué)習(xí)Pyspark。
相反，你需要考慮你想幫助公司創(chuàng)造什么樣的價(jià)值，并且讓自己善于創(chuàng)造這種價(jià)值。相對(duì)于任何其它方式，這是得到offer***的方式。
相關(guān)報(bào)道：
https://towardsdatascience.com/why-you-shouldnt-be-a-data-science-generalist-f69ea37cdd2c
【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)文章，微信公眾號(hào)“大數(shù)據(jù)文摘（ id: BigDataDigest）”】
