内容
资料来源：Sergey Khakimullin / iStockphoto
带走：
数据科学家的工作范围很广，因应用程序而异。但是它们都具有一个共同点，那就是充分利用数据的动力。
数据科学家在人工智能和机器学习方面的作用是什么？许多每天处理这类项目的专业人士都会说，这个问题很难简单回答。更好的问题是：数据科学家不做什么？
在所有这些项目都依赖于大数据或复杂的输入的意义上，数据科学家是AI或ML流程不可或缺的一部分。数据科学家是必不可少的职业主义者，他知道如何使用数据来产生结果。
但是，有一些方法可以讨论数据科学家的工作，他或她需要的资格以及他或她在过程中所扮演的角色。
读： 您可以通过在线学习掌握的6个关键数据科学概念
各种定义，各种职责
许多描述数据科学家工作的专家都在广泛地谈论它。
“在小型公司或在新市场中工作时，数据科学家的作用是将相对新颖（但显而易见）的数据源转换成可以解决最终用户问题的东西，而以前这是不可能的， Mercury Global Partners客户经理Antonio Hicks说。 “理想的人选是数学家，软件工程师和企业家。”
其他人也赞同这个基本思想，提到数据科学家需要什么来解决建模项目。
数据科学家经理Erin Akinci说：“数据科学家需要的最重要的属性是对周围世界的好奇心-无论是回答问题还是建立模型，了解他们面前的问题的愿望都是关键。在Asana。 “从那里开始，大多数人将需要数学和编程技能才能找到解决方案，但是具体的数学和编程种类会因数据科学领域的专业知识而大相径庭。”
没有错误，没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
当没有人关心软件质量时，您就无法提高编程技能。
Valkyrie Intelligence的创始人兼首席执行官Charlie Burgoyne补充说：“出色的科研工作与科学家对问题的思考方式有关，而不是他们用来解决问题的工具。” Valkyrie是一家应用科学咨询公司，旗下拥有许多令人印象深刻的项目，例如Mark I，这是一种专用的网络设备，可促进神经网络的培训和测试，并改善了以前基于云的机器学习平台的可能。
“市场需要精通Python开发，神经网络设计以及能够将数据存储库重塑为最新数据库体系结构的科学家，” Burgoyne说。 “但是，对于有才华的科学家来说，这些能力是至关重要的。科学家对勇敢的好奇心，进取的才智和对科学方法的坚持的天赋就不那么明显了。”
数据科学家的技能
因此，就实用技能而言，数据科学家需要尽可能多的创造力和精通建模的知识。他们还可以从具有“硬技能”的工作中受益匪浅，例如在ML项目中使用Python，C ++或其他公共语言进行编程的经验。
在线模拟面试平台Pramp的Val Streif说：“ Python和C ++是必不可少的，能够将编码技能与数据分析和处理相结合，而统计学是核心技能，它们将使数据科学家脱颖而出，成为强大的候选人或雇员。”适用于软件工程师，开发人员和数据科学家。 “虽然可以通过将数据科学家与开发人员配对来解决一些编程技能，但是从公司的角度来看，如果将两种技能结合在一起，则要容易得多。”
其他专家将R，Hadoop，Spark，Sas和Java以及Tableau，Hive和MATLAB等技术添加到列表中。
所有这些都给人留下了深刻的印象，但是一些在招聘数据科学家方面经验丰富的人说，另一个“人为”方面也很重要。 （一种类型的数据科学家是公民数据科学家。有关大数据世界中公民数据科学家的作用的更多信息，请访问。）
“传统上，接受过多种多样的文科教育的人都是优秀的数据科学家，”布尔戈因说，他区分了建筑方面的工程师和数据科学家，后者的工作更具概念性。他继续：
传统的STEM领域的专业知识与人文，艺术或商业领域相辅相成，产生了那些使之成为优秀的面向行业的科学家的素质。必须说，对于组织利用这些素质并以富有成效的方式塑造他们的热情和方法的能力同样重要。我观察到，如果一项数据科学计划不成功，那么该组织就可能像科学家一样受尽责。科学家不是工程师。它们不被驱动去执行和构建。他们被驱使去发现和理解。掌握这种差异的组织对于这两个领域的培养都将获得丰厚的回报。
至于数据科学家通常将自己应用于哪些方面，这与公司的核心目标有关。一些公司正在追逐去中心化的互联网-一些公司正在使用物联网或SaaS。其他人则尝试开创“用户友好”或“道德”或“透明”的AI。
无论如何，数据科学家可能会弥合使用的数据的硬指标（无论使用什么技术堆栈）与概念化AI / ML功能的轻松工作之间的鸿沟。
“我们聘请数据科学家来管理数据收集和清理，并将这些数据转换为有意义的信息，” G2 Crowd的数据科学和分析经理Michael Hupp说。他详细说明：
通常，这意味着要管理驱动公司数据引擎并熟练掌握关键分析工具和语言的所有重要算法，但近年来还包括新兴领域，例如自然语言处理，机器学习以及其他形式的AI分析。最成功的数据科学家是那些将自己的硬技能与快速学习能力以及有效传达他们发现的见识的能力相结合，从而对他们的业务有意义的人。
借助这些类型的见解，年轻的专业人士或学生可以更轻松地弄清楚数据科学家是否将对他们起到很好的作用，以及如何获得技能。在全国各地的学校中，STEM学习变得越来越容易，但是对编码和技术的热情以及即时学习的能力无可替代。