数据科学领域竞争激烈，人们正在迅速发展越来越多的技能和经验。“R、Python、SQL、机器学习”一直是数据科学家的标配。但随着该领域的发展，这些技能已不足以在就业市场上保持竞争力。2020年，为了不被时代淘汰，数据科学家也需要培养开发者的技能。下面小新为大家整理了2020年数据科学5大必备技能，请好好掌握~1.Cloud和BigData机器学习的产业化对数据科学家的约束越来越大，也成为数据工程师乃至整个IT行业的必修课。严重制约。在数据科学家可以致力于减少模型所需时间的地方，IT人员可以通过更快的计算服务做出贡献，例如：云：将计算资源卸载给外部提供商（例如AWS、MicrosoftAzure或GoogleCloud），易于设置建立一个可以远程访问的非常快速的机器学习环境。这就需要数据科学家对云能力有基本的了解，比如使用远程服务器代替自己的电脑，或者使用Linux代替Windows/Mac。PySpark正在为并行（BigData）系统编写PythonBigData：快速学习IT的第二个方面是使用Hadoop和Spark，这两个工具允许同时在多台计算机上并行处理任务（工作节点）。这需要数据科学家使用不同的方法来开发模型，因为代码必须允许并行执行。2.NLP、神经网络和深度学习最近，一位数据科学家仍然坚持认为NLP和图像识别只是数据科学专业，并不是每个人都必须掌握。你需要了解深度学习：基于人脑思想的机器学习然而，图像分类和NLP用例正变得越来越频繁，即使在“常规”业务中也是如此。今天，对这种模式有一个基本的了解是行业的最低要求。即使您没有在工作中直接应用此类模型，动手项目也很容易找到，并且可以让您了解图像和文本项目所需的步骤。3.敏捷敏捷是开发团队大量使用的一种组织工作的方法。越来越多的人开始从事数据科学，他们最初的技能是纯软件开发，机器学习工程师的角色已经出现。便利贴和敏捷似乎齐头并进。越来越多的数据科学家或机器学习工程师被视为开发人员：不断改进现有代码库中的机器学习元素。对于此类角色，数据科学家必须了解基于Scrum方法的敏捷工作方式。它为不同的人定义了不同的角色，这种角色定义确保了持续改进和顺利实施。4.产业化在数据科学领域，我们对项目的思考方式也在发生变化。数据科学家继续使用机器学习来回答业务问题。然而，越来越多的数据科学项目是为生产系统开发的，例如大型软件中的微服务。AWS是一个相对较大的云提供商。与此同时，高级模型的CPU和RAM消耗也在增加，尤其是在使用神经网络和深度学习时。就数据科学家的工作要求而言，不仅要考虑模型的准确性，还要考虑项目的执行时间或其他工业方面变得越来越重要。和微软一样，谷歌也有云服务5.GithubGit和Github是面向开发者的软件，可以管理不同版本的软件。它们跟踪对代码库所做的所有更改，而且当多个开发人员同时对同一项目进行更改时，它们确实可以增加协作的便利性。GitHub是一个不错的选择随着数据科学家的角色变得越来越重要，能够处理这些开发工具成为关键。Git正在成为一项严肃的工作要求，并且习惯Git的最佳使用需要时间。当您独自一人或与新同事一起学习Git很容易，但是当您作为新人加入Git专家团队时，它可能比您想象的要难。Git是GitHub真正需要的技能。为了保持竞争力，您必须准备好使用新工具并接受新的工作方式。快点！
