Due analisti di LinkedIn hanno coniato il termine 'data scientist' nel 2008. Stavano solo cercando di descrivere ciò che fanno, ovvero trarre valore aziendale dagli enormi dati generati dal loro sito web. Nel processo, hanno finito per nominare il titolo di lavoro che avrebbe visto una domanda incredibile negli anni a venire e persino essere definito come 'Il lavoro più sexy dei 21stsecolo.'
Ora, le organizzazioni che considerano i 'dati' una risorsa preziosa stanno cercando questi esperti di dati o 'scienziati' per guidarli nel futuro.
Allora, cosa ci vuole per essere un grande scienziato dei dati? ……… Una varietà di set di abilità!
Breve sguardo alle competenze fondamentali di un data scientist.
Il processo di data science comprende 3 fasi.
- Raccolta dati
- Analisi dei dati
- Presentazione
Diamo uno sguardo più da vicino al ruolo di un data scientist in ciascuna di queste fasi.
Raccolta dati
- Competenze di programmazione e database
Il primo passo del data mining è acquisire i dati giusti. Quindi, per essere un data scientist, è molto essenziale avere familiarità con gli strumenti e le tecnologie, in particolare quelli open source come Hadoop, Java, Python, C ++ e le tecnologie di database come SQL, NoSQL, HBase e così via.
- Dominio aziendale e competenza
I dati differiscono a seconda dell'attività. Pertanto, la comprensione dei dati aziendali richiede esperienza, che si ottiene solo lavorando in un particolare dominio di dati.
Ad esempio: i dati raccolti dal campo medico saranno completamente diversi dai dati di un negozio di abbigliamento al dettaglio.
- Modellazione dei dati, capacità di magazzino e dati non strutturati
Le organizzazioni stanno raccogliendo enormi quantità di dati attraverso varie risorse. I dati acquisiti in questo modo non sono strutturati e devono essere organizzati prima dell'analisi. Pertanto, un data scientist deve essere abile nel modellare i dati non strutturati.
Analisi dei dati
- Competenze relative agli strumenti statistici
L'abilità essenziale di un data scientist è sapere come utilizzare gli strumenti statistici come R, Excel, SAS e così via. Questi strumenti sono necessari per macinare i dati acquisiti e analizzarli.
- Abilità matematiche
La conoscenza dell'informatica da sola non è sufficiente per essere uno scienziato dei dati. Il profilo di data scientist richiede qualcuno che sia in grado di comprendere algoritmi di machine learning e programmazione su larga scala, pur essendo un esperto statistico. Ciò richiede esperienza in altre discipline scientifiche e matematiche oltre ai linguaggi informatici.
Presentazione
come usare gli scanner in java
- Abilità dello strumento di visualizzazione
Potresti essere in grado di estrarre e modellare i dati raccolti, ma sei in grado di visualizzarli?
Se vuoi essere un data scientist di successo, dovresti essere in grado di lavorare con alcuni strumenti di visualizzazione dei dati per rappresentare visivamente le analisi dei dati. Alcuni di questi includono R, Flare, HighCharts, AmCharts, D3.js, Processing e Google Visualization API ecc.
Ma questa non è la fine! Se vuoi davvero diventare un data scientist, dovresti anche avere le seguenti competenze:
- Abilità comunicative: Statistiche ed Excel sono quelli difficili da affrontare. I data scientist dovrebbero essere in grado di presentare i dati in modo tale da comunicare i risultati agli utenti aziendali.
- Competenze aziendali : I data scientist dovranno svolgere più ruoli. Avrebbero bisogno di comunicare con persone diverse nell'organizzazione. Pertanto, avere forti capacità imprenditoriali che includono comunicazione, pianificazione, organizzazione e gestione sarà di grande aiuto. Ciò include la comprensione dei requisiti aziendali e delle applicazioni e l'interpretazione delle informazioni di conseguenza. Inoltre, dovrebbe avere una comprensione generale delle sfide chiave del settore e dovrebbe essere consapevole dei rapporti finanziari per un migliore processo decisionale. In conclusione, uno scienziato dei dati pensa anche a 'Business'.
- Capacità di risoluzione dei problemi: Questo sembra ovvio poiché la scienza dei dati si occupa di risolvere i problemi. Un data scientist efficiente deve dedicare tempo ed esaminare il problema in profondità e trovare una soluzione fattibile adatta all'utente.
- Abilità di previsione: Un data scientist dovrebbe anche essere un predittore efficiente. Dovrebbe avere un'ampia conoscenza degli algoritmi per selezionare quello giusto per adattarsi adeguatamente al modello di dati. Ciò implica una certa creatività per utilizzare e rappresentare i dati con saggezza.
- Hacking: So che sembra spaventoso, ma diverse abilità di hacking come manipolare file di testo dalla riga di comando, comprendere le operazioni vettorializzate e il pensiero algoritmico ti renderanno uno scienziato dei dati migliore.
Guardando i set di abilità di cui sopra, è chiaro che essere un Data Scientist non significa solo sapere tutto sui dati. È un profilo di lavoro con una fusione di capacità di dati, abilità matematiche, abilità aziendali e capacità di comunicazione. Con tutte queste abilità insieme, un Data Scientist può essere giustamente definito come la Rock star del campo IT.
Check list per diventare un fantastico ed efficiente data scientist:
Abbiamo coperto le competenze necessarie per diventare un data scientist. C'è un'enorme differenza nel diventare semplicemente un data scientist e diventare un fantastico ed efficiente data scientist. Le seguenti abilità, insieme alle abilità sopra menzionate, ti distinguono dall'essere un normale o addirittura un mediocre scienziato dei dati.
- Abilità matematiche - Calcole, operazioni con matrici, ottimizzazione numerica, metodi stocastici, ecc.
- Abilità statistiche - Modelli di regressione, tress, classificazioni, diagnostica, statistica applicata, ecc.
- Comunicazione - Visualizzazione, presentazione e scrittura.
- Banca dati - Oltre a CouchDB, conoscenza di database non tradizionali come MongoDB e Vertica.
- Linguaggi di programmazione - Maiale, Hive, Java, Python, ecc.
- Elaborazione del linguaggio naturale e Estrazione dei dati.
Edureka ha un che ti aiuta ad acquisire esperienza in algoritmi di machine learning come Clustering K-Means, Decision Trees, Random Forest, Naive Bayes. Imparerai anche i concetti di statistica, serie storica, estrazione di testo e un'introduzione al deep learning. Presto inizieranno nuovi lotti per questo corso !!