Deux analystes de LinkedIn ont inventé le terme «scientifique des données» en 2008. Ils essayaient simplement de décrire ce qu'ils font, c'est-à-dire tirer une valeur commerciale des données massives générées par leur site Web. Dans le processus, ils ont fini par nommer le titre du poste qui verrait une demande incroyable dans les années à venir et même appelé comme «Le travail le plus sexy des 21stsiècle.'
Désormais, les organisations qui considèrent les «données» comme un atout précieux recherchent ces experts en données ou «scientifiques» pour les guider vers l’avenir.
Alors, que faut-il pour être un grand data scientist? ……… Une variété d'ensembles de compétences!
Bref aperçu des compétences de base d'un data scientist.
Le processus de la science des données comprend 3 étapes.
- Capture de données
- L'analyse des données
- Présentation
Examinons de plus près le rôle d'un data scientist à chacune de ces étapes.
Capture de données
- Compétences en programmation et base de données
La première étape de l'exploration de données consiste à capturer les bonnes données. Donc, pour être un data scientist, il est très essentiel de se familiariser avec les outils et les technologies, en particulier ceux open source comme Hadoop, Java, Python, C ++, et les technologies de base de données comme SQL, NoSQL, HBase et ainsi de suite.
- Domaine d'activité et expertise
Les données diffèrent selon l'entreprise. Par conséquent, la compréhension des données métier nécessite une expertise, qui ne vient qu'en travaillant dans un domaine de données particulier.
Par exemple: les données recueillies dans le domaine médical seront entièrement différentes des données d'un magasin de vêtements au détail.
- Compétences en modélisation, entrepôt et données non structurées
Les organisations collectent d'énormes quantités de données via diverses ressources. Les données capturées de cette manière ne sont pas structurées et doivent être organisées avant l'analyse. Par conséquent, un scientifique des données doit être compétent dans la modélisation des données non structurées.
L'analyse des données
- Compétences en outils statistiques
La compétence essentielle d'un data scientist est de savoir utiliser les outils statistiques comme R, Excel, SAS, etc. Ces outils sont nécessaires pour broyer les données capturées et les analyser.
- Compétences mathématiques
Les connaissances en informatique à elles seules ne sont pas suffisantes pour être un data scientist. Le profil de data scientist nécessite une personne capable de comprendre les algorithmes et la programmation d'apprentissage automatique à grande échelle, tout en étant un statisticien compétent. Cela nécessite une expertise dans d'autres disciplines scientifiques et mathématiques en dehors des langages informatiques.
création d'un tableau d'objets en java
Présentation
- Compétences en outils de visualisation
Vous pourrez peut-être extraire et modéliser les données collectées, mais êtes-vous capable de les visualiser?
Si vous voulez être un data scientist performant, vous devriez être capable de travailler avec certains outils de visualisation de données pour représenter visuellement les analyses de données. Certains d'entre eux incluent R, Flare, HighCharts, AmCharts, D3.js, Processing et Google Visualization API, etc.
Mais ce n'est pas la fin! Si vous souhaitez vraiment devenir data scientist, vous devez également posséder les compétences suivantes:
- Compétences en communication: Les statistiques et Excel sont les plus difficiles à gérer. Les scientifiques des données devraient être en mesure de présenter les données de manière à communiquer les résultats aux utilisateurs métier.
- Compétences professionnelles : Les data scientists devront jouer plusieurs rôles. Ils auraient besoin de communiquer avec diverses personnes au sein de l'organisation. Par conséquent, avoir de solides compétences en affaires qui incluent la communication, la planification, l'organisation et la gestion sera d'une grande aide. Cela comprend la compréhension des exigences de l'entreprise et des applications et l'interprétation des informations en conséquence. En outre, il doit avoir une compréhension globale des principaux défis de l'industrie et doit être conscient des ratios financiers pour une meilleure prise de décision. En bout de ligne, un data scientist pense aussi «business».
- Des talents pour la résolution des problèmes: Cela semble évident car la science des données est une question de résolution de problèmes. Un data scientist efficace doit prendre du temps, examiner le problème en profondeur et trouver une solution réalisable adaptée à l'utilisateur.
- Compétences de prédiction: Un data scientist devrait également être un prédicteur efficace. Il doit avoir une connaissance approfondie des algorithmes pour sélectionner celui qui convient correctement au modèle de données. Cela implique une certaine créativité pour utiliser et représenter les données avec sagesse.
- Piratage: Je sais que cela semble effrayant, mais différentes compétences de piratage telles que la manipulation de fichiers texte en ligne de commande, la compréhension des opérations vectorisées et la pensée algorithmique feront de vous un meilleur scientifique des données.
En regardant les compétences ci-dessus, il est clair qu'être un Data Scientist ne consiste pas seulement à tout savoir sur les données. Il s'agit d'un profil d'emploi combinant des compétences en données, en mathématiques, en affaires et en communication. Avec toutes ces compétences réunies, un Data Scientist peut à juste titre être qualifié de Rock star du domaine informatique.
Liste de contrôle pour devenir un data scientist génial et efficace:
Nous avons couvert les compétences requises pour devenir un data scientist. Il y a une énorme différence à devenir simplement un data scientist et à devenir un data scientist génial et efficace. Les compétences suivantes, ainsi que les compétences mentionnées ci-dessus, vous distinguent du fait d'être un data scientist normal ou même médiocre.
- Compétences mathématiques - Calculs, opérations matricielles, optimisation numérique, méthodes stochastiques, etc.
- Compétences statistiques - Modèles de régression, tress, classifications, diagnostics, statistiques appliquées, etc.
- la communication - Visualisation, présentation et rédaction.
- Base de données - Outre CouchDB, connaissance des bases de données non traditionnelles comme MongoDB et Vertica.
- Langages de programmation - Pig, Hive, Java, Python, etc.
- Traitement du langage naturel et Exploration de données.
Edureka a une qui vous aide à acquérir une expertise dans les algorithmes d'apprentissage automatique tels que le clustering K-Means, les arbres de décision, la forêt aléatoire, Naive Bayes. Vous apprendrez les concepts de statistiques, de séries chronologiques, d'exploration de texte et une introduction au Deep Learning. De nouveaux lots pour ce cours commencent bientôt !!