שני אנליסטים מלינקדאין טבעו את המונח 'מדען נתונים' בשנת 2008. הם פשוט ניסו לתאר את מה שהם עושים, כלומר להפיק ערך עסקי מהנתונים המסיביים שהפיק אתר האינטרנט שלהם. בתהליך, בסופו של דבר הם קיבלו את שם התפקיד שיראה ביקוש מדהים בשנים הבאות ואף יכונה 'העבודה הכי סקסית של 21רחובמֵאָה.'
כעת, ארגונים הרואים ב'נתונים 'נכס יקר ערך מחפשים מומחי נתונים אלה או' מדענים 'שיובילו אותם לעתיד.
הגדרת php בחלונות
אז מה צריך להיות מדען נתונים נהדר? ...…… מגוון מערכות מיומנות!
התבוננות קצרה בכישורי הליבה של מדען נתונים.
תהליך מדע הנתונים כולל 3 שלבים.
- לכידת נתונים
- ניתוח נתונים
- הַצָגָה
הבה נבחן מקרוב את תפקידו של מדען נתונים בכל אחד מהשלבים הללו.
לכידת נתונים
- כישורי תכנות ומסדי נתונים
השלב הראשון של כריית נתונים הוא לכידת הנתונים הנכונים. לכן, כדי להיות מדען נתונים, חיוני מאוד להכיר כלים וטכנולוגיות, במיוחד כאלה עם קוד פתוח כמו Hadoop, Java, Python, C ++ וטכנולוגיות מסדי נתונים כמו SQL, NoSQL, HBase וכן הלאה.
- תחום עסקי ומומחיות
הנתונים שונים בהתאם לעסק. לכן, הבנת הנתונים העסקיים זקוקה למומחיות, שמגיעה רק על ידי עבודה בתחום נתונים מסוים.
לדוגמא: נתונים שנאספו מהתחום הרפואי יהיו שונים לחלוטין מנתוני חנות בגדים קמעונאית.
- מיומנות נתונים, מחסן ומיומנויות נתונים לא מובנות
ארגונים אוספים כמות עצומה של נתונים באמצעות משאבים שונים. הנתונים שנלכדו באופן זה אינם מובנים ויש לארגן אותם לפני הניתוח. לכן, מדען נתונים צריך להיות בקיא בדוגמנות הנתונים הבלתי מובנים.
ניתוח נתונים
- כישורי כלים סטטיסטיים
המיומנות החיונית של מדען נתונים היא לדעת להשתמש בכלים הסטטיסטיים כמו R, Excel, SAS וכן הלאה. כלים אלה נדרשים כדי לטחון את הנתונים שנלכדו ולנתח אותם.
- כישורי המתמטיקה
ידע במדעי המחשב לבדו אינו מספיק בכדי להיות מדעני נתונים. פרופיל מדעני הנתונים דורש מישהו שיוכל להבין אלגוריתמים ותכנות למידת מכונה בקנה מידה גדול, תוך היותו סטטיסטיקאי בקיא. זה זקוק למומחיות בתחומים מדעיים ומתמטיים אחרים פרט לשפות מחשב.
הַצָגָה
- מיומנויות כלי ויזואליזציה
יתכן שתוכלו לכרות ולדגמן את הנתונים שנאספו, אך האם אתם מסוגלים לדמיין אותם?
אם אתה רוצה להיות מדען נתונים מצליח, אתה אמור להיות מסוגל לעבוד עם כמה כלים להדמיית נתונים כדי לייצג ניתוחי נתונים באופן חזותי. חלקם כוללים R, Flare, HighCharts, AmCharts, D3.js, עיבוד ו- Google Visualization API וכו '.
אבל זה לא הסוף! אם אתה באמת מעוניין להיות מדען נתונים, עליך להיות בעל הכישורים הבאים:
- כישורי תקשורת: סטטיסטיקה ואקסל הם המסובכים להתמודד איתם. מדענים נתונים אמורים להיות מסוגלים להציג את הנתונים בצורה שתעביר את התוצאות למשתמשים העסקיים.
- מיומנויות עסקיות : מדעני נתונים יצטרכו למלא מספר תפקידים. הם יצטרכו לתקשר עם אנשים מגוונים בארגון. לכן, קיום מיומנויות עסקיות חזקות הכוללות תקשורת, תכנון, ארגון וניהול יעזור מאוד. זה כולל הבנת דרישות עסקיות ויישומים ופירוש המידע בהתאם. כמו כן, עליו להיות בעל הבנה כוללת של האתגרים המרכזיים בענף ועליו להיות מודע ליחסים הכספיים לקבלת החלטות טובות יותר. בשורה התחתונה, מדעני נתונים שחושב גם 'עסק'.
- כישורי פתרון בעיות: זה נראה מובן מאליו שכן מדע הנתונים נוגע לפיתרון בעיות. מדען נתונים יעיל צריך לקחת זמן ולבדוק את הבעיה לעומק ולהביא פתרון בר-ביצוע שיתאים למשתמש.
- כישורי חיזוי: מדען נתונים צריך להיות גם מנבא יעיל. עליו להיות בעל ידע רחב באלגוריתמים כדי לבחור את המתאים המתאים כראוי למודל הנתונים. זה כרוך בכמות מסוימת של יצירתיות לשימוש ובייצוג הנתונים בתבונה.
- פריצה: אני יודע שזה נשמע מפחיד, אך כישורי פריצה שונים כמו מניפולציה של קבצי טקסט בשורת הפקודה, הבנת פעולות וקטוריות וחשיבה אלגוריתמית יהפכו אותך למדענית נתונים טובה יותר.
אם מסתכלים על מערכי המיומנויות שלעיל ברור שלהיות מדען נתונים זה לא רק לדעת הכל על נתונים. זהו פרופיל עבודה עם מיזוג של כישורי נתונים, כישורי מתמטיקה, כישורים עסקיים וכישורי תקשורת. עם כל הכישורים הללו יחד, ניתן לכנות בצדק מדען נתונים ככוכב הרוק של תחום ה- IT.
רשימת בדיקה כדי להפוך למדען נתונים מדהים ויעיל:
סקרנו את המיומנויות הנדרשות בכדי להיות מדענית נתונים. יש הבדל עצום להיות פשוט מדעני נתונים ולהפוך למדען נתונים מדהים ויעיל. הכישורים הבאים יחד עם הכישורים שהוזכרו לעיל, מבדילים אותך מלהיות מדען נתונים רגיל או אפילו בינוני.
- כישורים מתמטיים - חישובים, פעולות מטריקס, אופטימיזציה מספרית, שיטות סטוכסטיות וכו '.
- כישורי סטטיסטיקה - מודלים של רגרסיה, טרס, סיווגים, אבחון, סטטיסטיקה יישומית וכו '.
- תִקשׁוֹרֶת - ויזואליזציה, מצגת וכתיבה.
- מאגר מידע - מלבד CouchDB, ידע במאגרי מידע לא מסורתיים כמו MongoDB ו- Vertica.
- שפות תכנות - חזיר, כוורת, ג'אווה, פייתון וכו '.
- עיבוד שפה טבעית ו כריית מידע.
אדוריקה יש אוצר במיוחד אשר מסייע לך לצבור מומחיות באלגוריתמים של למידת מכונה כמו K-Means Clustering, Trees Decision, Random Forest, Naive Bayes. תלמדו את המושגים סטטיסטיקה, סדרות זמן, כריית טקסטים וגם מבוא ללמידה עמוקה. קבוצות חדשות לקורס זה מתחילות בקרוב !!
השתמש ב- ++ ++ מרחב שמות