盡管最近圍繞數(shù)據(jù)科學(xué)的討論不斷，但對(duì)于許多技術(shù)人員來說，與其他技術(shù)職業(yè)相比，數(shù)據(jù)科學(xué)是復(fù)雜、不明晰的，并且涉及太多的未知數(shù)。與此同時(shí)，少數(shù)冒險(xiǎn)進(jìn)入該領(lǐng)域的人不斷聽到一些令人沮喪的數(shù)據(jù)科學(xué)神話和觀念。

但是，在我看來這些故事中的大多數(shù)都是普遍的誤解。實(shí)際上，數(shù)據(jù)科學(xué)并不像人們想象的那么可怕。因此，在本文中，我們將揭穿 10 個(gè)最受歡迎的數(shù)據(jù)科學(xué)誤區(qū)。

誤區(qū)一：數(shù)據(jù)科學(xué)只適合數(shù)學(xué)天才

雖然數(shù)據(jù)科學(xué)確實(shí)有其數(shù)學(xué)元素，但沒有規(guī)則說你必須是數(shù)學(xué)大師。除了標(biāo)準(zhǔn)的統(tǒng)計(jì)和概率之外，該領(lǐng)域還包括許多其他非嚴(yán)格的數(shù)學(xué)知識(shí)。

即使在涉及數(shù)學(xué)的領(lǐng)域，您也無需深入重新學(xué)習(xí)抽象理論和公式。當(dāng)然，這并是要完全排除數(shù)據(jù)科學(xué)對(duì)數(shù)學(xué)的需求。

與大多數(shù)分析職業(yè)道路一樣，數(shù)據(jù)科學(xué)需要某些數(shù)學(xué)領(lǐng)域的基礎(chǔ)知識(shí)。這些領(lǐng)域包括統(tǒng)計(jì)學(xué)、代數(shù)和微積分。因此，雖然數(shù)學(xué)不是數(shù)據(jù)科學(xué)的主要重點(diǎn)，但也無法完全避免數(shù)字。

誤區(qū)二：沒有人需要數(shù)據(jù)科學(xué)家

與軟件開發(fā)和UI / UX設(shè)計(jì)等更加成熟的技術(shù)專業(yè)不同，數(shù)據(jù)科學(xué)仍然越來越受歡迎。然而，對(duì)數(shù)據(jù)科學(xué)家的需求仍在穩(wěn)步上升。

例如，美國勞工統(tǒng)計(jì)局估計(jì)，至 2021 年，對(duì)數(shù)據(jù)科學(xué)家的需求將增長(zhǎng) 2031%。這一估計(jì)并不奇怪，因?yàn)橛捎跀?shù)據(jù)量的增加，包括公務(wù)員、金融和醫(yī)療保健在內(nèi)的許多行業(yè)已經(jīng)開始看到數(shù)據(jù)科學(xué)家的必要性。

對(duì)于許多沒有數(shù)據(jù)科學(xué)家的公司來說，大數(shù)據(jù)很難發(fā)布準(zhǔn)確的信息。因此，盡管您的技能組合可能不像其他技術(shù)領(lǐng)域那樣受歡迎，但它同樣必要。

誤區(qū)三：人工智能將減少對(duì)數(shù)據(jù)科學(xué)的需求

今天，人工智能似乎可以解決所有需求。人工智能被用于醫(yī)學(xué)、軍事、自動(dòng)駕駛汽車、編程、論文寫作，甚至家庭作業(yè)。現(xiàn)在，每個(gè)專業(yè)人士都擔(dān)心有一天機(jī)器人會(huì)代替他們工作。

但這種恐懼對(duì)數(shù)據(jù)科學(xué)來說并不屬實(shí)。人工智能可能會(huì)減少對(duì)一些基礎(chǔ)工作的需求，但它仍然需要數(shù)據(jù)科學(xué)家的決策和批判性思維技能。

人工智能能夠生成信息、收集和處理更大的數(shù)據(jù)，但并沒有取代數(shù)據(jù)科學(xué)，這是因?yàn)榇蠖鄶?shù)人工智能和機(jī)器學(xué)習(xí)算法都依賴于數(shù)據(jù)，這就產(chǎn)生了對(duì)數(shù)據(jù)科學(xué)家的需求。

誤區(qū)四：數(shù)據(jù)科學(xué)僅包含預(yù)測(cè)建模

數(shù)據(jù)科學(xué)可能涉及構(gòu)建基于過去發(fā)生的事件預(yù)測(cè)未來的模型，但它是否僅圍繞預(yù)測(cè)建模？當(dāng)然不是！

用于預(yù)測(cè)目的的訓(xùn)練數(shù)據(jù)看起來像是數(shù)據(jù)科學(xué)中花哨而有趣的部分。即便如此，清理和數(shù)據(jù)轉(zhuǎn)換等幕后瑣事同樣重要。

收集大型數(shù)據(jù)集后，數(shù)據(jù)科學(xué)家必須從集合中篩選必要的數(shù)據(jù)以保持?jǐn)?shù)據(jù)質(zhì)量，因此預(yù)測(cè)建模是該領(lǐng)域的任務(wù)性、不可缺少的部分。

誤區(qū)五：每個(gè)數(shù)據(jù)科學(xué)家都是計(jì)算機(jī)科學(xué)專業(yè)的畢業(yè)生

這是最大的數(shù)據(jù)科學(xué)誤區(qū)之一。無論您的大學(xué)專業(yè)如何，只要有合適的知識(shí)庫、課程和導(dǎo)師，您都可以成為一名優(yōu)秀的數(shù)據(jù)科學(xué)家。無論您是計(jì)算機(jī)科學(xué)還是哲學(xué)專業(yè)的畢業(yè)生，數(shù)據(jù)科學(xué)都在您的掌握之中。

但是，您應(yīng)該知道一些事情。雖然這條職業(yè)道路對(duì)任何有興趣和動(dòng)力的人開放，但您的學(xué)習(xí)課程將決定您學(xué)習(xí)的難易程度和速度。例如，計(jì)算機(jī)科學(xué)或數(shù)學(xué)畢業(yè)生比來自不相關(guān)領(lǐng)域的人更有可能更快地掌握數(shù)據(jù)科學(xué)概念。

誤區(qū)六：數(shù)據(jù)科學(xué)家只寫代碼

任何有經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家都會(huì)告訴你，數(shù)據(jù)科學(xué)家只寫代碼這個(gè)概念是完全錯(cuò)誤的。盡管大多數(shù)數(shù)據(jù)科學(xué)家在此過程中編寫了一些代碼，但根據(jù)工作的性質(zhì)，編碼只是數(shù)據(jù)科學(xué)的冰山一角。

編寫代碼只能完成部分工作。但是，代碼用于構(gòu)建程序，數(shù)據(jù)科學(xué)家用于預(yù)測(cè)建模、分析或原型的算法。編碼只會(huì)促進(jìn)工作流程，因此稱其為主要工作是一個(gè)誤導(dǎo)性的數(shù)據(jù)科學(xué)誤區(qū)。

誤區(qū)七：Power BI是數(shù)據(jù)科學(xué)所需的唯一工具

微軟的Power BI是一款明星數(shù)據(jù)科學(xué)和分析工具，具有強(qiáng)大的功能和分析能力。但是，與流行觀點(diǎn)相反，學(xué)習(xí)使用 Power BI 只是在數(shù)據(jù)科學(xué)領(lǐng)域取得成功所需的部分內(nèi)容;它涉及的遠(yuǎn)不止這個(gè)單一的工具。

例如，雖然編寫代碼不是數(shù)據(jù)科學(xué)的中心焦點(diǎn)，但你需要學(xué)習(xí)一些編程語言，通常是Python和R。您還需要了解 Excel 等軟件包，并與數(shù)據(jù)庫密切合作，從中提取和整理數(shù)據(jù)。隨意獲取課程來幫助你掌握 Power BI，但請(qǐng)記住;這不是路的盡頭。

誤區(qū)八：數(shù)據(jù)科學(xué)只對(duì)大公司是必要的

在學(xué)習(xí)數(shù)據(jù)科學(xué)時(shí)，一般的印象是你只能從任何行業(yè)的大公司找到工作。換句話說，未能被亞馬遜或Meta等公司聘用等同于任何數(shù)據(jù)科學(xué)家的工作不可用。

然而，合格的數(shù)據(jù)科學(xué)家有很多工作機(jī)會(huì)，尤其是在今天。任何直接處理消費(fèi)者數(shù)據(jù)的企業(yè)，無論是初創(chuàng)公司還是價(jià)值數(shù)百萬美元的公司，都需要數(shù)據(jù)科學(xué)家才能獲得最佳性能。

也就是說，整理你的簡(jiǎn)歷，看看你的數(shù)據(jù)科學(xué)技能可以為周圍的公司帶來什么。

誤區(qū)九：更大的數(shù)據(jù)等同于更準(zhǔn)確的結(jié)果和預(yù)測(cè)

雖然這種說法通常是有效的，但它仍然是半真半假的。與較小的數(shù)據(jù)集相比，大型數(shù)據(jù)集可以減少誤差范圍，但準(zhǔn)確性不僅僅取決于數(shù)據(jù)大小。

首先，數(shù)據(jù)質(zhì)量很重要。僅當(dāng)收集的數(shù)據(jù)適合解決問題時(shí)，大型數(shù)據(jù)集才會(huì)有所幫助。此外，使用人工智能工具，在一定水平之前，更多的數(shù)量是有益的。在此之后，更多的數(shù)據(jù)并不會(huì)產(chǎn)生任何價(jià)值。

誤區(qū)十：自學(xué)數(shù)據(jù)科學(xué)是不可能的

自學(xué)數(shù)據(jù)科學(xué)是不可能的，這是最大的數(shù)據(jù)科學(xué)誤區(qū)之一。與其他技術(shù)路徑類似，自學(xué)數(shù)據(jù)科學(xué)是非常可能的，尤其是在我們目前可用的資源豐富的情況下。Coursera，Udemy，LinkedIn Learning等平臺(tái)以及其他資源豐富的教程網(wǎng)站都有課程，可以快速跟蹤您的數(shù)據(jù)科學(xué)增長(zhǎng)。

當(dāng)然，您目前處于什么水平并不重要，新手、中級(jí)或?qū)I(yè);有適合您的課程或認(rèn)證。因此，雖然數(shù)據(jù)科學(xué)可能有點(diǎn)復(fù)雜，但這并不會(huì)使自學(xué)數(shù)據(jù)科學(xué)變得牽強(qiáng)或不可能。

數(shù)據(jù)科學(xué)的意義遠(yuǎn)不止于此

盡管對(duì)這個(gè)領(lǐng)域很感興趣，但上面的數(shù)據(jù)科學(xué)誤區(qū)以及更多內(nèi)容使一些技術(shù)愛好者避開了這個(gè)角色。現(xiàn)在，您有了正確的信息，那么您還在等什么？探索學(xué)習(xí)眾多詳細(xì)課程，立即開始您的數(shù)據(jù)科學(xué)之旅。

原文標(biāo)題：10 Common Data Science Myths You Should Unlearn Now

原文作者：JOSHUA ADEGOKE