數(shù)據(jù)科學家被《財富》雜志譽為21世紀最性感的職業(yè)，但遺憾的是大多數(shù)企業(yè)里都沒有真正的數(shù)據(jù)科學家人才。根據(jù)麥肯錫報告，僅僅在美國市場，2018年大數(shù)據(jù)人才和高級分析專家的人才缺口將高達19萬。此外美國企業(yè)還需要150萬位能夠提出正確問題、運用大數(shù)據(jù)分析結(jié)果的大數(shù)據(jù)相關(guān)管理人才。

       那么，對于不同職業(yè)經(jīng)歷和專業(yè)背景的IT人士來說，如何才能盡快轉(zhuǎn)型，加入數(shù)據(jù)科學家的鉆石王老五的行列呢？

       Ofer Mendelevitch近日在Hortonworks官方博客發(fā)表文章給出了自己的觀點。

       Mendelevitch認為無論是Java程序員還是業(yè)務(wù)分析師都有機會成為數(shù)據(jù)科學家，以下是他對不同人群給出的具體建議：

       Java程序員

       作為Java開發(fā)者，你對軟件工程的規(guī)則已經(jīng)了然于心，能夠設(shè)計軟件系統(tǒng)執(zhí)行復雜任務(wù)。數(shù)據(jù)科學正是關(guān)于開發(fā)“數(shù)據(jù)產(chǎn)品”的一門科學，主要是基于數(shù)據(jù)和算法的軟件系統(tǒng)。

       對于Java程序員來說，第一步需要了解機器學習的各種算法：現(xiàn)在有哪些算法，都能解決哪些問題以及如何實現(xiàn)。另外還需要學習使用R和Matlab等建模工具，此外WEKA、Vowpal Wabbit和OpenNLP等庫也為大多數(shù)常見算法提供了經(jīng)過驗證的實現(xiàn)方法。如果你還不太熟悉Hadoop，學習map-reduce、Pig、Hive和Mahout將很有幫助。

        Python程序員

       如果你是Python程序員，對軟件開發(fā)和腳本編寫一定很熟悉，也許已經(jīng)在使用很多數(shù)據(jù)科學中常見的庫例如NumPy和SciPy。

       Python對數(shù)據(jù)科學應(yīng)用的支持很好，尤其是NumPy/Scipy, Pandas, Scikit-learn, IPython 等用于探索性分析的庫，以及可視化方面的Matplotlib。

       在處理大型數(shù)據(jù)集方面，多學些Hadoop及其與Python的流式集成。

       統(tǒng)計學家與應(yīng)用科學家

       如果你有統(tǒng)計學或者機器學習的背景，那么你很可能很多年前就開始使用諸如R, Matlab 或 SAS進行回歸分析、聚類分析等機器學習相關(guān)任務(wù)。

R、Matlab和SAS是很強大的統(tǒng)計分析和可視化工具，對于很多機器學習算法都有很成熟的實現(xiàn)方法。

       但是，這些工具通常被用于做數(shù)據(jù)勘探和模型開發(fā)，很少單獨用來開發(fā)產(chǎn)品級的數(shù)據(jù)產(chǎn)品。在開發(fā)端到端的數(shù)據(jù)產(chǎn)品時，大多數(shù)情況下，你需要需要同時用到其他軟件模塊如Java、Python等，并與Hadoop等數(shù)據(jù)平臺整合。

       顯然，熟悉一門或者多門現(xiàn)代編程語言，例如Python或Java是你的首要任務(wù)。此外，與有經(jīng)驗的數(shù)據(jù)工程師緊密合作將有助于更好地理解他們開發(fā)生產(chǎn)級數(shù)據(jù)產(chǎn)品所用到的工具和方法。

       業(yè)務(wù)分析師

       如果你的背景是SQL，那么說明你已經(jīng)跟數(shù)據(jù)打交道很多年了，你很清楚如何通過數(shù)據(jù)獲取業(yè)務(wù)分析結(jié)果。Hive能讓你以你熟悉的SQL語言訪問Hadoop上的大數(shù)據(jù)集，因此是你步入大數(shù)據(jù)殿堂的首選。

       數(shù)據(jù)產(chǎn)品通常需要使用SQL無法勝任的高級機器學習和統(tǒng)計，因此對于業(yè)務(wù)分析師來說，進入數(shù)據(jù)科學領(lǐng)域的第二個重要步驟就是在理論層面深入了解此類算法（例如推薦引擎、決策樹、NLP），并熟悉目前的實現(xiàn)工具如Mahout, WEKA,或Python的 Scikit-learn。

       Hadoop開發(fā)者

       作為Hadoop開發(fā)者，你一定已經(jīng)了解了大數(shù)據(jù)集和集群計算的復雜性。你還可能熟悉Pig、Hive、HBase并有豐富的Java經(jīng)驗。

       第一步，你需要深入了解機器學習和統(tǒng)計，以及這些算法面向大數(shù)據(jù)集的高效實現(xiàn)方法。Mahout是個不錯的開始，可以在Hadoop上實現(xiàn)上述很多算法。

       另外一個需要關(guān)注的領(lǐng)域是數(shù)據(jù)清理（data cleanup），很多算法在建模前都會為數(shù)據(jù)分配基本結(jié)構(gòu)。但不幸的是，現(xiàn)實中數(shù)據(jù)大多很“臟”，清理這些數(shù)據(jù)是數(shù)據(jù)科學中一項很繁重的工作。Hadoop通常是建模前大規(guī)模數(shù)據(jù)清理和預處理的工具選擇。

       總結(jié)

       通向數(shù)據(jù)科學殿堂之路不可能一帆風順，你必須學習很多新規(guī)則、編程語言，更重要的是還要積累實戰(zhàn)經(jīng)驗。這些都需要時間、精力和投入，但最終你會發(fā)現(xiàn)一切都物超所值。