数据科学职业发展并非只有一条线性道路。作为一个专门的学科，数据科学直到近二十年才出现。这意味着数据科学家和相关职位的人员可能在不同的道路上开始了自己的职业生涯。
那么，如何成为一名数据科学家呢？
由于不可能有一个唯一的正确答案，我们决定与五位 Anaconda 员工交谈，听取他们的看法。他们是如何培养当前职位所需的技能的？对于希望进入数据科学领域的人，他们有什么建议？
请继续阅读以了解更多关于他们的经验。
问：您在学校学习了什么？
这个问题的答案各不相同。虽然有一些常见的学位，但即使没有 STEM 背景，也有可能转型到数据科学领域。尽管如此，您确实需要对数学和科学抱有热情和热爱。
最常见的本科专业
-
计算机科学
-
数学
-
工程学
-
数据科学（随着大学开设相关课程而变得越来越常见）
“我从小就对技术很感兴趣。我大学选择了电气工程专业，专注于计算机硬件和软件。我的目标是成为一名教授和学者。然后，在我读研究生的时候，互联网蓬勃发展，我的计划也随之改变。我发现自己擅长将软件开发和高等数学结合起来。这有很多种方式，但碰巧的是，我的训练与机器学习和人工智能非常契合。”
– 迈克尔·格兰特 服务副总裁
“我获得了统计学硕士学位和教育心理学博士学位。心理学实际上完全是关于数据和统计的。在研究生院，我所做的就是收集数据、处理数据、在数据中寻找模式，并使用统计模型从数据中生成洞察。我只是爱上了数据处理，并且想在毕业后继续做下去。”
索菲亚·杨 高级数据科学家
“我拥有物理学硕士学位和天体物理学博士学位。在我的第二个博士后职位上，我花了太多时间写论文和等待。我不想成为天文学教授。与此同时，我做了大量的编程来完成工作。最初，Python 和所有工具对我来说就是这样。它们是一种从数据到结果再到可发表文章的途径。我意识到我可以利用它做些事情，因为它非常有用。”
– 马丁·杜兰特 软件与数据工程师
问：您认为高等学位是该领域的先决条件吗？
许多数据科学领域的人都在学术界工作多年。根据 Indeed 的一项研究，75% 的数据科学家拥有高等学位（MBA 或博士学位）。
虽然还有其他学习技术技能的方法，但正规教育可以培养独立思考能力，注重基础技能和研究，并且在我们采访的对象看来，正规教育通常非常有价值。
“高等学位当然不是胜任工作的先决条件。但能否找到工作是另一回事。如果您能证明自己具备技能，那么学位就不是最重要的。话虽如此，获得学位的人的比例非常高，而继续攻读硕士学位或更高学位的人的比例也比以往任何时候都高得多。因此，您将面临与您拥有相同经验并拥有学位的人的竞争。这种竞争使得脱颖而出变得困难。”
– 马丁·杜兰特 软件与数据工程师
问：您在正规教育之外还接受过其他继续或补充培训吗？
在一个发展如此迅速的领域中，持续教育是必要的。数据科学的优点在于，您在大学中学到的许多技能都可以自学、通过其他培训学习或通过实际工作经验获得。
如果您对数据科学感兴趣，您必须展现出积极性和奉献精神来学习相关的技术技能。幸运的是，在线培训和替代教育的兴起使得找到自助资源或专门课程来满足您的需求变得容易。
这些替代培训似乎最适合初学者或有经验但想学习一项新的特定技能的人。
“我通过 Coursera 和其他一些平台学习了一些课程。学校的课程更深入地讲解基础知识。在线课程简短而快速；您可以非常快速地学习一些实用的东西，例如工具或语言。如果您是数据科学新手或想学习一项新技能的基础知识，这些在线课程对于入门来说很有价值。我仍然通过在线培训不断学习新东西。”
– 索菲亚·杨 数据科学家
“我基本上是自学的——只是通过实践来学习。而且，我也不怕求助于第三方资源，例如 Stack Overflow 和其他可以通过 Google 找到的东西。我还参加了 Coursera 和 Udacity 的两门不同的机器学习和 AI 课程。从专家的角度了解该领域很有价值，而且它也证实了我很适合这个领域，因为我拥有数学背景。我肯定会推荐参加 Coursera 或 Udacity 之类的课程，但如果您有数学基础，您将从中获得更多价值。”
– 迈克尔·格兰特 服务副总裁
“在线或补充培训可以表明您正在付出努力。希望您能在过程中学到一些可操作的东西——仅仅拥有证书并不一定意味着您学到了知识。如果您没有书面经验，或者从未从事过需要这些特定技能的工作，那么在 HR 部门没有时间在第一次筛选之前与您详细交谈的情况下，很难展示您的经验。参加课程或训练营是表明您至少在投入时间和精力来学习相关技能的方式。”
– 马丁·杜兰特 软件与数据工程师
“当我加入产品管理部门时，有人向我推荐了实用营销认证。该培训让我深入了解了组织及其团队需要如何运作才能交付软件产品，这已经是一项非常有价值的技能。我的特定角色与产品开发团队而不是数据科学团队保持一致，因此该培训让我初步了解了产品管理领域，以便我可以更好地理解我的同事。”
– 阿尔伯特·德富斯科 数据科学家，产品
问：在数据科学领域取得卓越成就需要哪些技术技能？
虽然个人可能通过不同的途径进入这个领域，但他们都具备基本的技术技能。
在我们的所有对话中，这些技能多次被提及，对于在数据科学和相关领域取得成功的职业生涯至关重要
“编程能力被低估了。通过数据科学训练营的人，如果他们一开始就不是优秀的程序员，那么他们不一定会成为特别强大的程序员。在数据科学领域成为一名真正优秀的程序员的好处是，您具有极强的适应性。”
– 迈克尔·格兰特 服务副总裁
“制作可视化效果很容易，但以一种有意义的方式制作就困难得多。这很难教，也很难学。您需要了解您的受众，并且您需要了解您的数据——彼此分开。然后，您可以将它们神奇地结合在一起，生成一些东西，将受众与数据联系起来。擅长数据可视化是找到工作的好方法。您如何向世界展示自己？一个良好、易于理解的可视化效果可以吸引注意力。”
– 马丁·杜兰特 软件与数据工程师
“对我来说，这些技术技能之间存在等级关系。例如，机器学习几乎以数学和编程为先决条件。如果没有数学和编程的基础，您在机器学习方面不会取得应有的成就。”
– 迈克尔·格兰特 服务副总裁
值得注意的是，软技能与技术技能同等重要，但常常被忽视。请阅读我们的另一篇博客，了解在数据科学领域取得成功的重要软技能。
问：您的职业生涯是如何发展到包含或专注于数据科学的？
您会注意到，我们每位员工的职业道路都截然不同。他们所有人的职业生涯最终都发展到包含数据科学。
“在我的博士后职位上，我做了大量的编程来完成工作。最初，Python 和所有工具对我来说就是这样。它们是一种从数据到结果再到可发表文章的途径。我意识到我可以利用它做些事情，因为它本身就非常有用。我一直试图为了自己的缘故编写好的代码，但我注意到这在世界上并不常见。既懂数据和科学统计，又能将这些东西付诸代码的人——这就是让我进入数据科学领域的原因。”
– 马丁·杜兰特 软件与数据工程师
“我一直在软件工程领域寻找工作大约一年，但运气不佳。从我的学术背景来看，向这些职位推销自己并不容易。然后，我采取了一种完全出乎意料的方式进入该行业，即领导培训和客户教育。Anaconda 为我提供了一个有趣的职位，教授基础编程和通用科学计算。这给了我独特的机会，让我可以在工作中更多地了解数据科学。”
– 阿尔伯特·德富斯科 数据科学家，产品
“转型到数据科学职位是自然而然的选择。我对数据科学方法有基本的了解，这来自于在学术界的接触和我自己的实验。这是结合特定角色要求的。在这种情况下，它是构建机器学习恶意软件检测产品。我检查了关于我的经验的所有其他方面：产品工程、网络安全理解等。该职位 90% 是数据工程，10% 是数据科学。我的许多软件工程技能已经准备就绪，真正需要做的只是在上面撒上一点数据科学应用。我能够向我周围的数据科学团队学习；他们给了我一些指导，以弥补我前进道路上的差距。”
– 马修·布洛克 首席工程师
“当我担任独立顾问时，我跳入了数据科学领域。当您是顾问时，您会尝试接受与您的专业领域完全匹配的工作，但您会发现自己接受了更广泛的工作。有一次，我受聘开发定制的机器学习算法。即使当时我不是机器学习从业者，但隐藏在底层的数学知识非常适合我。这也是我同时跳入 Python 的原因。”
– 迈克尔·格兰特 服务副总裁
问：对于希望成为数据科学家的学生或希望转型进入该领域的专业人士，您有什么建议？
数据科学所需的技能是通过教育和实践经验学习的。我们采访的每个人都提到了实际工作经验的重要性：实习、实践项目、开源项目等。
“当您申请工作时，您实际上可以用开源项目来证明自己。这一切都是公开的。您可以说，‘这些是我对这些特定项目所做的真实、实质性的更改。这些项目对于数据科学和机器学习领域非常重要。’ 这很好地证明了您知道自己在说什么。”
– 马丁·杜兰特 软件与数据工程师
“那些能够从其他职业道路转型到数据科学领域并取得最大成功的人，是那些能够逐步做到这一点的人。换句话说，您可以学习编程或机器学习，然后找到将其应用于您现有领域或角色的方法。成为您团队或组织中数据科学的推动者。这更像是一种进化，而不是一次重大飞跃。您可以先爬，然后再走，然后再跑。不要从最先进的 AI 深度学习算法开始。在着手基本的机器学习之前，先从良好的数据工程实践、可视化和报告开始。找到逐步增加数据素养的方法，看看您能走多远。”
– 迈克尔·格兰特 服务副总裁
想要从事数据科学职业吗？好消息是：条条大路通罗马。
