如何成为一名数据科学家以及成为数据科学家的要求是什么

保持开放的心态。 如果你是一个新手，实际上并不知道什么是数据科学，那么它完全可能不是你想要的工作领域。 成为一名数据科学家需要大量的时间和精力，因此要注意数据科学的不良方面，例如数据整理和构建数据生产管道，这些构成了数据科学家的大部分日常工作。

首先要做的是学习python。 尽快选择MOOC课程，熟悉Python的基本用法后，学习如何使用Jupyter工具，参加一些数据科学领域的开放在线课程。

如果你是从零开始，从高层或级别的数据科学职位开始可能不太好，最好选择一些入门级职位，比如数据可视化或数据分析职业，这些职位需求量很大，需求量很大。 担任这些角色的人通常与数据科学家一起工作，一旦你获得了经验，你就可以在更高级的数据科学相关角色中工作。

1. 复习你的数学和统计技能

一个好的数据科学家必须能够理解数据告诉你什么，要做到这一点，你必须对基本的线性代数、算法和统计技能有扎实的了解。 某些特定场合可能需要高等数学，但这是一个很好的起点。

2. 了解机器学习的概念

机器学习是下一个新兴词，但它与大数据有着千丝万缕的联系。 机器学习使用人工智能算法将数据转化为价值，不需要明确的编程。

3. 学***

数据科学家必须知道如何调整，以便告诉计算机如何分析数据。 从 Python 等开源语言开始。

4. 了解数据库、数据池和分布式存储

数据存储在数据库、数据池或整个分布式网络中。 如何构建该数据的存储库取决于您访问、使用和分析数据的方式。 如果在构建数据存储时没有整体体系结构或提前规划，则对您的影响将是深远的。

5、学习数据匮乏导线修改和数据空肢清洗的技巧

数据修改是将原始数据传输到另一种更易于访问和分析的格式。 数据清理有助于消除重复和“不良”数据。 两者都是数据科学家工具箱中的必备工具。

6. 了解良好的数据可视化和报告的基础知识

您不必是平面设计师，但您确实需要知道如何创建像您的经理或首席执行官这样的外行可以理解的数据报告。

1）学好Python。

现在你公司几乎所有的数据都可以为你提供API，而Python的数据处理能力强大而方便。 此外，Python 在许多机器学习算法中也是独一无二的。 此外，它简洁方便快速迭代开发，编写算法15分钟后即可看到效果。

最重要的是，py 有一种很酷的感觉。 任何程序都可以用MATLAB和C++编写，但我不知道有哪个D会想把自己扔进那个不酷的盒子里：D

对不规则输入的处理也给 Python 带来了巨大的优势。 一般来说，在我的日常工作中，所有数据都以纯文本形式存储，但无格式形式（原始文本、非结构化数据）。 问题是这个文本不能直接用作各种算法的输入，你需要。

分词，从句。

提取要素。 整理缺失的数据。

摆脱异常值

在这个时代，Python 是一种法宝。 这里做的1-4可以直接在scikit-learn中找到，即使你想写一个自定义算法来处理一些特殊需求，也就是一百行。

简而言之，对于数据科学挑战，Python 允许您以简短而扁平的方式解决手头的问题，而无需担心太多的实现细节。

2）学好统计学。

几十年来，统计学和计算机科学一直并行不悖，创造了一系列相互创造的工具和算法。 但直到最近，人们才开始注意到，计算机科学家所说的机器学习实际上只是统计学中的预测。 于是，这两个学科又开始融合了。

3）学习数据处理。

此步骤不必独立于 2） 完成。显然，当你阅读这些书时，你会开始遇到算法，这里的书中有很多数据。 但这个时代最不值钱的是数据（拜托，为什么要用80年代的“加州房价数据”？ 有价值的是数据分析为决策提供的价值。 因此，与其纠结于如此悲惨的 80 年代数据集，为什么不收集一些自己的数据集呢？

4）成为全栈工程师

在企业环境中，作为新人，当您需要编写数据可视化时，您不能让同事为您做这件事。 当您需要将数据写入并保存到数据库时，请找另一位同事为您完成。

希望对你有所帮助。 谢谢！