數據科學領域競爭激烈，人們正在迅速發展越來越多的技能和經驗。

“R、Python、SQL和機器學習”一直是數據科學家的標配。但隨著這個領域的發展，這些技能已經漸漸不足以在就業市場上保持競爭力了。

[[313139]]

2020年，為了不被時代淘汰，數據科學家也需要發展開發人員的技術。

下面小芯就為大家整理了，2020數據科學必備的5大技能，請收好~

1. CloudandBigData

機器學習產業化對數據科學家的約束越來越嚴重，同時也成為數據工程師乃至整個IT行業的嚴重約束。

在數據科學家可以致力于減少模型所需時間的情況下，IT人員可以通過更快的計算服務來做出貢獻，如：

• Cloud：將計算資源轉移到外部供應商(如AWS、MicrosoftAzure或GoogleCloud)，可以很容易地建立一個可以從遠程訪問的非常快速的機器學習環境。這就要求數據科學家對云功能有一個基本的了解，例如使用遠程服務器而不是自己的計算機，或者使用Linux而不是Windows/Mac。

PySpark正在為parallel(BigData)系統編寫Python

• BigData：快速學習IT的第二個方面是使用Hadoop和Spark，這兩種工具允許同時在許多計算機上并行處理任務(工作節點)。這要求數據科學家使用不同的方法來開發模型，因為代碼必須允許并行執行。

2. NLP, NeuralNetworksandDeepLearning

最近，一位數據科學家仍堅持，NLP和圖像識別僅僅是數據科學的專業，并非所有人都必須掌握。

你需要理解深度學習：基于人腦思想的機器學習

但是，圖像分類和NLP的用例越來越頻繁，甚至在“常規”業務中也是如此。如今，對這種模式有一個基本的了解已經成為行業最低標準。

就算你的工作中沒有此類模型的直接應用程序，實際操作的項目也很容易找到，并且可以讓你理解圖像和文本項目中所需的步驟。

3. Agile

Agile是一種組織工作的方法，已得到開發團隊大量使用。越來越多的人涉足數據科學領域，他們最初的技能是純軟件開發，機器學習工程師的角色也應運而生。

Post-its和Agile似乎是并駕齊驅的

越來越多的數據科學家或機器學習工程師被視為開發人員：不斷改進現有的代碼庫中的機器學習元素。

對于這類角色，數據科學家必須了解基于Scrum方法的Agile工作方式。它為不同的人定義了不同的角色，這種角色定義保證了持續改進和順利實施。

4. Industrialization

在數據科學領域，我們思考項目的方式也在發生變化。數據科學家一如既往地用機器學習來回答商業問題。然而，越來越多數據科學項目為生產系統開發，例如，大型軟件中的微服務。

AWS是比較大的云供應商

與此同時，高級模型的CPU和RAM消耗也越來越大，尤其是在使用神經網絡和深度學習時。

就數據科學家的工作要求而言，不僅要考慮模型的準確性，還要考慮項目的執行時間或其他工業化方面，這一點變得越來越重要。

和微軟一樣，谷歌也有云服務

5. Github

Git和Github是面向開發人員的軟件，能夠管理不同版本的軟件。它們跟蹤對代碼庫所做的所有更改，此外，當多個開發人員同時對同一個項目進行更改時，此類軟件能夠真正增加協作便利性。

GitHub是個不錯的選擇

隨著數據科學家的角色變得越來越重要，能夠處理這些開發工具就成了關鍵。Git正成為一項嚴肅的工作要求，要適應最好的使用Git，是需要時間的。當你一個人或者和新同事一起，研究Git很容易，但是當你作為一個新人加入一個Git專家團隊，你可能會比想象的還要更難適應。

Git是GitHub真正所需的技能

為了保持競爭力，一定要為運用新工具及接受新工作方式而做好準備，加油!