原文：
www.kdnuggets.com/read-this-before-making-a-career-switch-to-data-science
作者提供的图片
你正在阅读这篇文章，因为你在考虑加入有志成为数据科学家的行列。谁能怪你呢？即便在哈佛商业评论给予其“最性感工作”称号十年后，数据科学依然是一个快速发展的领域。美国劳工统计局目前 预测 数据科学家的就业率将在 2022 年至 2032 年间增长 35%。相比之下，平均职位增长率仅为 5%。
1. 谷歌网络安全证书 - 快速进入网络安全领域。
2. 谷歌数据分析专业证书 - 提升你的数据分析能力
3. 谷歌 IT 支持专业证书 - 支持你所在组织的 IT
它还有其他优势：
-
收入丰厚（同样，BLS 发现 2022 年的中位薪资为 103k 美元）
-
生活质量高（比平均工作相关幸福度 更高 根据 Career Explorer 的数据）
-
尽管最近经历了一轮 裁员，但职位依然有保障——因为对这个角色的需求非常大。
因此，有很多理由想要进入这个领域。
来源: https://www.bls.gov/ooh/math/data-scientists.html
但是数据科学是一个非常广泛的领域，你需要掌握很多不同的职位名称和技能。本文将指导你了解可以选择的各种方向，以及进入数据科学所需的知识。
要成功转型为 数据科学职业，你需要遵循一个结构化的方法：
-
评估你的 数据科学技能 并识别技能差距。
-
在你较弱的领域获得实践经验。
-
扩展人脉。加入数据科学小组，参加聚会，参与论坛讨论。
让我们深入探讨。
你已经知道了什么，它如何应用于数据科学？想一想：你拥有的任何编程知识、统计技能或数据分析经验。
接下来，识别你技能中的差距，特别是数据科学所必需的那些技能。SQL 是必不可少的，但 Python 或 R 编程、高级统计学、机器学习和数据可视化也极其有用。
一旦确定了这些差距，寻求相关的教育或培训以填补这些空白。这可以通过在线课程、大学项目、培训营或自学，重点是实践操作学习。
你不应只是观看视频和阅读博客文章。实践经验在数据科学中至关重要。参与允许你在真实场景中应用新技能的项目，这可以是个人项目、对开源平台的贡献，或参加像 Kaggle 这样的数据竞赛。
如果你有一些基础技能，你可能想考虑寻求实习或自由职业以获得行业经验。
最重要的是，在一个作品集中记录你所有的项目和经验，突出你的问题解决过程、使用的技术和你工作的影响。
进入数据科学领域往往取决于你认识谁，除了你知道什么。寻找导师，参加聚会、会议和研讨会以了解新趋势，并参与像 Stack Overflow、GitHub 或 Reddit 这样的在线数据科学社区。这些平台让你可以向他人学习，分享你的知识，并在数据科学社区中引起注意。
如果你想从零开始成为数据科学家，将你需要发展的技能视为一棵树是有意义的。每个数据科学职位都有“主干”技能，然后每个专业都有继续分支的“枝干”技能。
每个数据科学家都需要的三项主要技能，无论他们走向哪个方向：
数据科学基本上就是处理和组织大型数据集。为此，你需要知道 SQL。这是数据处理和整理的基本工具。
作者提供的图片
数据科学不是在真空中进行的。你需要与他人友好合作，这意味着要提升你的软技能。能够以清晰易懂的方式向非技术利益相关者传达复杂的数据发现与技术技能同样重要。这些包括有效沟通、解决问题和商业头脑。
解决问题有助于应对复杂的数据挑战，而商业头脑则确保数据驱动的解决方案与组织目标一致。
数据科学与五年前的情况不同。只需看看今天的 AI 与 2018 年的对比就知道了。新的工具、技术和理论不断涌现。这就是为什么你需要保持持续学习的心态，以便跟上最新的发展，适应该领域的新技术和方法。
你需要自我激励以学习和适应，并且要有主动获取新知识和技能的态度。
尽管如上所述有一些共同的技能，但每个角色都要求其特定的技能集。（记得吗？分支。）例如，统计分析、Python/R 编程技能和数据可视化都是更专业的数据科学职位所特有的技能。
图片由作者提供
让我们逐一拆解每个与数据科学相关的角色，以便你能了解需要什么。
是的，这确实是一个数据科学角色！即使一些反对者不同意，我仍然相信，如果你打算进入数据科学职业道路，这个角色至少可以被视为一个垫脚石。
作为商业或数据分析师，你负责弥合数据洞察与商业战略之间的差距。这非常适合那些擅长理解商业需求并将其转化为数据驱动解决方案的人。
作为核心技能，你需要商业智能——这一点毫无意外——强大的分析能力，熟练掌握数据查询语言，主要是 SQL。在这个角色中，Python 和 R 是可选的，因为主要任务是处理数据。
这个角色有一个可视化组件，但根据你的工作，可能意味着在 Tableau 中创建仪表板或在 Excel 中绘制图表。
这个角色专注于解释数据以提供可操作的洞察。如果你喜欢将数字转化为故事和商业策略，那么这份工作非常适合你。
你需要对统计分析和数据可视化有深入了解——虽然这些可以是 Tableau 仪表板和/或 Excel 图表。你还需要熟练使用 分析工具，如Excel、Tableau 和 SQL。Python/R 再次为可选，但请记住，它们在实施统计和自动化时确实能提供很大帮助。
机器学习科学家开发预测模型和算法，以进行数据驱动的预测或决策。这些角色适合对 AI 和模型构建有强烈兴趣的人。
核心技能没有惊喜：你需要对算法有深刻理解，具备使用像 TensorFlow 和 PyTorch 这样的机器学习框架的经验，以及强大的编程技能。Python 和/或 R 不再是可选的，而是必备的。
这个角色让你专注于数据管道的架构、管理和维护。适合那些喜欢管理和优化数据流及存储的技术挑战的人。
要进入这个职位，你需要在数据库管理、ETL 过程中的专业知识，以及对大数据技术（如 Hadoop 和 Spark）的熟练掌握。你还需要对数据管道自动化的熟练掌握，使用如 Airflow 等技术。
在商业智能中，一切都是关于构建可视化的。这非常适合讲故事者和具有强烈商业感觉的人。
你需要熟练掌握如 Tableau 和 Qlik 等仪表板技术，因为这些是你用来构建可视化的工具。你还需要数据处理技能（即：SQL 技能），以帮助优化数据查询，使仪表板性能更快。
正如我在文章早些时候提到的，数据科学是一个快速发展的领域。新的工作和角色不断出现。回到我的树木类比，我喜欢将其视为在主数据科学树干上添加的新分支。现在有云工程师、SQL 专家、DevOps 角色等——所有这些仍然与数据科学轨道相关联。因此，这篇文章只是简要介绍了你可以在数据科学中发展的方向。
更重要的是，你还应该记住，数据科学带来的挑战也与那六位数的薪水挂钩。学习曲线非常陡峭，而且学习永远不会真正结束。新技术、新趋势和新工具都快速而猛烈地出现——如果你想保持你的工作，你必须跟上。
尽管如此，这仍然是一个很好的职业选择。掌握我提到的三个主要能力后，你将具备承担任何吸引你的数据科学角色的能力。
内特·罗斯迪 是一名数据科学家和产品战略专家。他还是一位兼职教授，教授分析学，并且是 StrataScratch 的创始人，该平台帮助数据科学家通过真实的面试问题为面试做准备。内特撰写关于职业市场的最新趋势，提供面试建议，分享数据科学项目，并覆盖所有 SQL 相关内容。