如何在未来的大数据和机器学习领域，获得一份不错的工作？

2018 年，AI 的发展脚步会加快，这一年将是 AI 技术重生和数据科学得以重新定义的一年。对于雄心勃勃的数据科学家来说，他们如何在与数据科学相关的工作市场中脱颖而出？2018 年会有足够多的数据科学相关工作吗？还是说有可能出现萎缩？接下来，让我们来分析一下数据科学的趋势，并一探如何在未来的大数据和机器学习 /AI 领域获得一份不错的工作。”

1、你需要牢固掌握概率统计学，并学习和掌握一些算法，比如朴素贝叶斯、高斯混合模型、隐马尔可夫模型、混淆矩阵、ROC 曲线、P-Value 等。

 

不但要理解这些算法，还要知道它们的工作原理。你需要牢固掌握梯度下降、凸优化、拉各朗日方法论、二次规划、偏微分方程、求积法等相关算法。

 

如果你想找一份高薪的工作，还需要掌握机器学习技术和算法，比如 k-NN、朴素贝叶斯、SVM 和决策森林等。

 

大数据学习群：716581014   一起学习

2、

现在大部分机器学习都需要海量数据，所以你无法在单台机器上进行机器学习。所以，你需要用到集群，需要掌握 Apache Hadoop 和一些云服务，如 Rackspace、Amazon EC2、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。

 

你还需要掌握各种 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。因为机器学习基本上都是在 Unix 系统上运行的，所以需要掌握这些工具，知道它们的作用以及如何使用它们。

 

3、在掌握编程语言和算法的同时，不要忽略了数据可视化的作用。如果无法让你自己或别人理解数据，那么它们就变得毫无意义。数据可视化就是指如何在正确的时间向正确的人展示数据，以便让他们从中获得价值。主要的数据可视化工具包括：Tableau、

QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。

 

4、要成为数据科学家，不一定非要拿到数据科学方面的学位。事实上，你完全不需要这么做，这样做反而不是个好主意。如果你能拿到计算机学位、工程学学位、经济学学位、数学学位、统计学学位、精算师学位、金融学学位或者自然科学学位（物理、化学或生

物）都是可以的。甚至是人文科学（包括社会科学）也是可以的。

2018年跳槽指南：如何找到一份人工智能相关的工作？

 

“2017 年，大数据把 AI 推向了技术炒作的舞台正*，数据科学和机器学习在各行各业开始崭露头角。机器学习开始被应用于解决数据分析问题。机器学习、AI 和预测分析成为 2017 年的热门话题。我们见证了基于数据的价值创新，包括数据科学平

台、深度学习和主要几个厂商提供的机器学习云服务，还有机器智能、规范性分析、行为分析和物联网。

 

2018 年，AI 的发展脚步会加快，这一年将是 AI 技术重生和数据科学得以重新定义的一年。对于雄心勃勃的数据科学家来说，他们如何在与数据科学相关的工作市场中脱颖而出？2018 年会有足够多的数据科学相关工作吗？还是说有可能出现萎缩？接下来，让我们

 

来分析一下数据科学的趋势，并一探如何在未来的大数据和机器学习 /AI 领域获得一份不错的工作。”

 

增强技术实力

编程语言和开发工具

365 Data Science 收集了来自 LinkedIn 的 1001 数据科学家的信息，发现需求量最大的编程语言为 R 语言、Python 和 SQL。另外，还要求具备 MATLAB、Java、Scala 和 C/C++ 方面的知识。为了能够脱颖而出，需要熟练掌握 Weka 和 NumPy 这类工具。

概率统计学、应用数学和机器学习算法

 

你需要牢固掌握概率统计学，并学习和掌握一些算法，比如朴素贝叶斯、高斯混合模型、隐马尔可夫模型、混淆矩阵、ROC 曲线、P-Value 等。

 

不但要理解这些算法，还要知道它们的工作原理。你需要牢固掌握梯度下降、凸优化、拉各朗日方法论、二次规划、偏微分方程、求积法等相关算法。

 

如果你想找一份高薪的工作，还需要掌握机器学习技术和算法，比如 k-NN、朴素贝叶斯、SVM 和决策森林等。

分布式计算和 Unix 工具

 

现在大部分机器学习都需要海量数据，所以你无法在单台机器上进行机器学习。所以，你需要用到集群，需要掌握 Apache Hadoop 和一些云服务，如 Rackspace、Amazon EC2、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。

 

你还需要掌握各种 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。因为机器学习基本上都是在 Unix 系统上运行的，所以需要掌握这些工具，知道它们的作用以及如何使用它们。

 

查询语言和 NoSQL 数据库

传统关系型数据库已经老去。除了 Hadoop 之外，你还需要掌握 SQL、Hive 和 Pig，以及 NoSQL 数据库，如 MongoDB、Casssandra、HBase。

基于 NoSQL 分布式数据库的基础设施已经成为大数据仓库的基础。原先在一个中心关系型数据库上需要 20 个小时才能处理完的任务，在一个大型的 Hadoop 集群上可能只需要 3 分钟时间。当然，你也可以使用 MapReduce、Cloudera、Tarn、PaaS、Chef、Flume 和 ABAP 这些工具。

数据可视化工具

在掌握编程语言和算法的同时，不要忽略了数据可视化的作用。如果无法让你自己或别人理解数据，那么它们就变得毫无意义。数据可视化就是指如何在正确的时间向正确的人展示数据，以便让他们从中获得价值。主要的数据可视化工具包括：Tableau、QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。

正确选择教育背景和专业

要成为数据科学家，不一定非要拿到数据科学方面的学位。事实上，你完全不需要这么做，这样做反而不是个好主意。如果你能拿到计算机学位、工程学学位、经济学学位、数学学位、统计学学位、精算师学位、金融学学位或者自然科学学位（物理、化学或生物）都是可以的。甚至是人文科学（包括社会科学）也是可以的。

但或许你会在其他领域得到更好的发展，比如经济、应用数学或工程领域。首先要确定数据科学这条路是不是适合自己。2018 年绝对不会让那些有志在数据科学领域一展身手的人失望。不过还是那句话，一个具备分析能力的大脑、熟练的编程技能、诚挚的热情和

 

持续自我提升的毅力将决定你的数据科学家之路会走多远。

 

大数据学习群：716581014   专注大数据分析方法,大数据编程，大数据仓库，大数据案例，人工智能,数据挖掘，AI等大数据内容分享交流