被挤爆的数据科学行业！五年前“最性感的职业”怎么了？
|
正如许多博客文章指出的那样，你未必在第一次尝试时就能找到理想工作。 因此，就业市场相当艰难，对于大量入门者来说更加困难重重。 Hinton对于机器学习领域现状的想法： 数据科学存在有误导性的工作需求 第二个问题是，一旦这些初学者进入市场，他们会对数据科学的工作模式产生不切实际的期望。每个人都认为他们将进行机器学习、深度学习和贝叶斯模拟。 这并不是他们的错，这正是一些数据科学课程和技术媒体们一直以来强调的内容。自从很久之前我第一次过分乐观地浏览Hacker News 上逻辑回归的帖子以来，情况并没有发生多大变化。 现实情况是，“数据科学”从未像机器学习那样关注数据清洗，数据转换以及将数据从一个地方移动到另一个地方。 我最近进行的极其非科学的调查问卷证实了这一点： 作者2019年1月在推特上做的调查温暖： 许多行业专家发送的推文也是如此： 伴随着数据清洗，当炒作周期继续发挥着它的效应时，更加清晰的是，数据工具和将模型投入生产变得比在一台机器上从头开始构建ML算法更加重要，特别是随着云资源可用性的爆炸式增长。 显而易见的是，在炒作周期的后期阶段，数据科学将逐渐接近工程学，而数据科学家需要的技能不再主要基于可视化和统计学，而是更符合传统的计算机科学课程：像单元测试和持续集成这样的概念，很快就成了术语，并被用作数据科学家和从事ML工程的数值科学家常用的工具集。 这也导致了几件事的发生：首先是“机器学习工程师”这个头衔的崛起，在过去的3-4年里，它带来了更多的声望和更高的收入潜力。 其次，它导致了数据科学家职称的严重缩水。由于数据科学家职称的声望，像Lyft这样的公司会招聘这类职位，但要求拥有数据分析师的技能，这就造成了别扭的情况——数据科学的职位究竟需要做什么，又有多少职位提供给新入职的工作者。 我们作为资深从业者、记者、经理、行业会议发言人、撰写工作要求的人力资源经理，仍然不能很好地解决这个重要的难题。 给新数据科学家的建议 因此，本着继续为初学者提供建议的精神，我将给任何在2019年向我咨询如何进入数据科学领域的人发送这封邮件。 这是一个两步计划：
这些听起来真是令人沮丧!但是，让我来详细说明这两个问题，希望它们看起来不那么黯淡。 1. 谨慎选择数据科学 鉴于每个初级岗位有50或100或200个人投简历，因此不要与那些人竞争。不必攻读数据科学学位，不必参加训练营(边注：我见过的大多数训练营都是效率低下的，他们在很短的时间内让求职者处理太多的信息，使得求职者无法有效地对数据科学有所了解，在这里我就不细说了)。 不要做别人正在做的事情，因为这样不能使你脱颖而出。你是在和一个堆积如山、过度饱和的行业竞争，这只会让事情变得更困难。在我之前提到的那份PWC报告中，数据科学职位的数量估计为5万。数据工程职位的数量为50万。而数据分析师的数量是12.5万。 通过“后门”进入数据科学和技术的职位要容易得多，比如从做初级开发人员开始，或者从DevOps、项目管理开始，以及从事最相关的数据分析师、信息管理员等类似职位，而不是直接申请其他人也同时竞争的5个岗位。这将花费更长的时间，但是在你从事数据科学工作的同时，也在学习对你的整个职业生涯至关重要的IT技能。 2. 了解当今数据科学所需的技能 下面是一些你在数据空间中实际需要处理的问题:
虽然在数据科学中有许多有趣的统计问题需要考虑，但这些博客链接都没有解决它们。尽管调整模型、可视化和分析占据了你作为数据科学家的部分时间，但数据科学一直主要的工作是如何得到可以直接使用的干净数据。 所有这些博客文章有什么共同之处?那就是良好的数据背景下的各个工程技能。 你该如何准备解决这些问题，并为工作做好准备?学习以下三种技能，它们都是基础技能，并且相互之间有关联，从入门到精通。 所有这些技能的真正关键之处在于，它们对于数据科学之外的软件开发也是基础和重要的，这意味着如果你找不到数据科学相关的工作，也可以快速地过渡到软件开发或devops。我认为这种灵活性与针对特定数据相关任务的培训同样重要。 (1) 学习SQL 首先，我建议无论目标是成为数据工程师、ML专家还是AI 专家，每个人都需要学习SQL。 SQL并不吸引人，它也不是我刚才列出的问题的解决方案。但实际上，为了理解如何访问数据，你极有可能在某个地方遇到需要编写一些SQL查询并获得答案的数据库。 （编辑：PHP编程网 - 湛江站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
