2018 年，AI 的發展腳步會加快，這一年將是 AI 技術重生和數據科學得以重新定義的一年。對于雄心勃勃的數據科學家來說，他們如何在與數據科學相關的工作市場中脫穎而出？2018 年會有足夠多的數據科學相關工作嗎？還是說有可能出現萎縮？接下來，讓我們來分析一下數據科學的趨勢，并一探如何在未來的大數據和機器學習 /AI 領域獲得一份不錯的工作。”
在這里我還是要推薦下我自己建的大數據學習交流群：199427210，群里都是學大數據開發的，如果你正在學習大數據 ，小編歡迎你加入，大家都是軟件開發黨，不定期分享干貨（只有大數據開發相關的），包括我自己整理的一份2018最新的大數據進階資料和高級開發教程，歡迎進階中和進想深入大數據的小伙伴。
1、你需要牢固掌握概率統計學，并學習和掌握一些算法，比如樸素貝葉斯、高斯混合模型、隱馬爾可夫模型、混淆矩陣、ROC 曲線、P-Value 等。
不但要理解這些算法，還要知道它們的工作原理。你需要牢固掌握梯度下降、凸優化、拉各朗日方法論、二次規劃、偏微分方程、求積法等相關算法。
如果你想找一份高薪的工作，還需要掌握機器學習技術和算法，比如 k-NN、樸素貝葉斯、SVM 和決策森林等。
2、
現在大部分機器學習都需要海量數據，所以你無法在單臺機器上進行機器學習。所以，你需要用到集群，需要掌握 Apache Hadoop 和一些云服務，如 Rackspace、Amazon EC2、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。
你還需要掌握各種 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。因為機器學習基本上都是在 Unix 系統上運行的，所以需要掌握這些工具，知道它們的作用以及如何使用它們。
3、在掌握編程語言和算法的同時，不要忽略了數據可視化的作用。如果無法讓你自己或別人理解數據，那么它們就變得毫無意義。數據可視化就是指如何在正確的時間向正確的人展示數據，以便讓他們從中獲得價值。主要的數據可視化工具包括：Tableau、QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。
4、要成為數據科學家，不一定非要拿到數據科學方面的學位。事實上，你完全不需要這么做，這樣做反而不是個好主意。如果你能拿到計算機學位、工程學學位、經濟學學位、數學學位、統計學學位、精算師學位、金融學學位或者自然科學學位（物理、化學或生物）都是可以的。甚至是人文科學（包括社會科學）也是可以的。
2018年跳槽指南：如何找到一份人工智能相關的工作？
AI前線 ? 7小時前 ? 技能Get
大數據把 AI 推向了技術炒作的舞臺正中央，數據科學和機器學習在各行各業開始嶄露頭角
本文由 【AI前線】原創，原文鏈接：http://t.cn/RHqaB5p
作者｜Tanmoy Ray，譯者｜薛命燈，編輯｜Emily
AI 前線導讀：“2017 年，大數據把 AI 推向了技術炒作的舞臺正中央，數據科學和機器學習在各行各業開始嶄露頭角。機器學習開始被應用于解決數據分析問題。機器學習、AI 和預測分析成為 2017 年的熱門話題。我們見證了基于數據的價值創新，包括數據科學平臺、深度學習和主要幾個廠商提供的機器學習云服務，還有機器智能、規范性分析、行為分析和物聯網。
2018 年，AI 的發展腳步會加快，這一年將是 AI 技術重生和數據科學得以重新定義的一年。對于雄心勃勃的數據科學家來說，他們如何在與數據科學相關的工作市場中脫穎而出？2018 年會有足夠多的數據科學相關工作嗎？還是說有可能出現萎縮？接下來，讓我們來分析一下數據科學的趨勢，并一探如何在未來的大數據和機器學習 /AI 領域獲得一份不錯的工作。”
增強技術實力
編程語言和開發工具
365 Data Science 收集了來自 LinkedIn 的 1001 數據科學家的信息，發現需求量最大的編程語言為 R 語言、Python 和 SQL。另外，還要求具備 MATLAB、Java、Scala 和 C/C++ 方面的知識。為了能夠脫穎而出，需要熟練掌握 Weka 和 NumPy 這類工具。
概率統計學、應用數學和機器學習算法
你需要牢固掌握概率統計學，并學習和掌握一些算法，比如樸素貝葉斯、高斯混合模型、隱馬爾可夫模型、混淆矩陣、ROC 曲線、P-Value 等。
不但要理解這些算法，還要知道它們的工作原理。你需要牢固掌握梯度下降、凸優化、拉各朗日方法論、二次規劃、偏微分方程、求積法等相關算法。
如果你想找一份高薪的工作，還需要掌握機器學習技術和算法，比如 k-NN、樸素貝葉斯、SVM 和決策森林等。
分布式計算和 Unix 工具
現在大部分機器學習都需要海量數據，所以你無法在單臺機器上進行機器學習。所以，你需要用到集群，需要掌握 Apache Hadoop 和一些云服務，如 Rackspace、Amazon EC2、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。
你還需要掌握各種 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。因為機器學習基本上都是在 Unix 系統上運行的，所以需要掌握這些工具，知道它們的作用以及如何使用它們。
查詢語言和 NoSQL 數據庫
傳統關系型數據庫已經老去。除了 Hadoop 之外，你還需要掌握 SQL、Hive 和 Pig，以及 NoSQL 數據庫，如 MongoDB、Casssandra、HBase。
基于 NoSQL 分布式數據庫的基礎設施已經成為大數據倉庫的基礎。原先在一個中心關系型數據庫上需要 20 個小時才能處理完的任務，在一個大型的 Hadoop 集群上可能只需要 3 分鐘時間。當然，你也可以使用 MapReduce、Cloudera、Tarn、PaaS、Chef、Flume 和 ABAP 這些工具。
數據可視化工具
在掌握編程語言和算法的同時，不要忽略了數據可視化的作用。如果無法讓你自己或別人理解數據，那么它們就變得毫無意義。數據可視化就是指如何在正確的時間向正確的人展示數據，以便讓他們從中獲得價值。主要的數據可視化工具包括：Tableau、QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。
正確選擇教育背景和專業
要成為數據科學家，不一定非要拿到數據科學方面的學位。事實上，你完全不需要這么做，這樣做反而不是個好主意。如果你能拿到計算機學位、工程學學位、經濟學學位、數學學位、統計學學位、精算師學位、金融學學位或者自然科學學位（物理、化學或生物）都是可以的。甚至是人文科學（包括社會科學）也是可以的。
但或許你會在其他領域得到更好的發展，比如經濟、應用數學或工程領域。首先要確定數據科學這條路是不是適合自己。2018 年絕對不會讓那些有志在數據科學領域一展身手的人失望。不過還是那句話，一個具備分析能力的大腦、熟練的編程技能、誠摯的熱情和持續自我提升的毅力將決定你的數據科學家之路會走多遠。
