成为一名更有“市场”的数据科学家?
空缺。某些条款可能在一个职位列表中重复多次。 注意: 这项研究代表了雇主的偏好,而不是数据科学工程师自己。 关键要点和数据科学趋势 显然,数据科学更多地是在于基础知识而不是框架和库,但仍有一些趋势和技术值得注意。 大数据 根据 2018年大数据分析市场研究,企业的大数据采用率从2015年的17%飙升至2018年的59%。因此,大数据工具的普及也在增长。如果不考虑Apache Spark和Hadoop的话,最受欢迎的是 MapReduce (36)和 Redshift (29)。 Hadoop 尽管Spark和云存储很受欢迎, 但Hadoop的时代还没有结束。因此,一些雇主仍然希望候选人熟悉 Apache Pig(30),HBase(32)和类似技术。 HDFS (20)也在调查中被提及。 实时数据处理 随着各种传感器、移动设备和物联网(18)的应用越来越多 ,越来越多的企业的目标是从实时数据处理中获得更多的见解。因此,像Apache Flink (21)这样的流分析平台在一些雇主中很受欢迎。据和选择模型参数是任何数据科学家工作的关键部分。数据挖掘(128)这一术语在雇主中颇为流行。一些雇主也非常重视超参数调整(21)。但是作为数据科学家,您首先需要关注特征工程。为模型选择最佳功能至关重要,因为它们决定了模型在其创建的最早阶段的成功。 数据可视化 处理数据并从中提取有价值的见解的能力至关重要。不过,数据可视化(55)对于任何数据科学家而言也同样重要。其核心目的是,您可以以任何团队成员或客户都能理解的格式展示您的工作成果。至于数据可视化工具,雇主更喜欢Tableau(54)。 一般趋势 在该项调查中,AWS(86)、Docker(36)和Kubernetes(24)这样的术语也多此出现 。因此,软件开发行业的一般趋势也适用于数据科学领域。
数据科学是一个快速发展和复杂的行业,其中一般知识以及特定技术的经验都很重要。希望这篇文章可以帮助您获得有关2019年所需的数据科学技能的宝贵见解。 (编辑:开发网_开封站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |