什么是一个数据科学家的背景下做人工智能和机器学习的工作?每天处理这类项目的很多专业人士都会说这个问题很难回答。一个更好的问题是：数据科学家不做什么?

数据科学家是AI或ML过程中不可或缺的一部分，因为所有这些项目都依赖于大数据或复杂输入。数据科学家是知道如何处理数据以产生结果的基本野心家。

但是，有一些方法可以讨论数据科学家的作用，他或她需要什么资格，以及他或她在这个过程中扮演的角色。

各种定义，各种职责

描述数据科学家工作的许多专家从广义上讲它。

“在小公司或在新市场工作时，数据科学家的角色是将相对新颖(但显而易见)的数据源转换为解决最终用户问题的东西，这在以前是不可能实现的，所使用的技术不存在，“Mercury Global Partners的客户经理Antonio Hicks说。“理想的候选人是部分数学家，部分软件工程师和部分企业家。”

其他人回应这个基本想法，提到科学家需要解决建模项目的数据。

“数据科学家需要的最重要的属性是对他们周围世界的深切好奇 - 他们是在回答问题还是建立模型，在他们面前理解问题的愿望是关键，” 数据科学家经理Erin Akinci说。在Asana。“从那里开始，大多数人都需要数学和编程方面的技能来寻找解决方案，但具体的数学和编程类型因数据科学领域的专业知识而异。”

“优秀的科学工作更多地与科学家对问题的思考方式有关，而不是他们用来解决问题的工具，”Valkyrie Intelligence的创始人兼首席执行官Charlie Burgoyne补充道。Valkyrie是一家应用科学咨询公司，拥有令人印象深刻的项目，如Mark I，这是一个专门的网络设备，可以促进神经网络培训和测试，改善以前基于云的机器学习平台的可能性。

“市场需要精通Python开发，神经网络设计以及将数据存储库重塑为最新数据库架构的能力的科学家，”Burgoyne说。“然而，这些能力是一个有才华的科学家的赌注。不那么明显的是科学家对强悍的好奇心，积极的聪明才智和坚持科学方法的能力。“

数据科学家的技能

因此，就实际技能而言，数据科学家在建模方面需要一定的创造力和精明。他们也可以从“硬技能”中受益匪浅，例如Python，C ++或其他应用于ML项目的常用语言的经验编码。

“Python和C ++是必不可少的，能够将编码技能与数据分析和处理相结合，统计数据是使数据科学家成为强有力的候选人或员工的核心技能，”在线模拟面试平台Pramp的Val Streif说道。适用于软件工程师，开发人员和数据科 “虽然通过将数据科学家与开发人员配对可以解决一些编程技巧，但如果从公司的角度将两种技能结合在一起，那就更容易了。”

其他专家将R，Hadoop，Spark，Sas和Java添加到列表以及Tableau，Hive和MATLAB等技术中。

所有这些都是令人印象深刻的简历，但是一些有招聘数据科学家经验的人说其他“人”方面也很重要。(一种数据科学家是公民数据科学家。了解更多关于公民数据科学家在大数据世界中的作用。)

“传统上，拥有多元化文科教育的人才能成为优秀的数据科学家，”Burgoyne说道，他们区分了建筑方面的工程师和数据科学家，他们的工作可能更具概念性。他继续：

传统STEM领域的专业知识与人文，艺术或商业领域的互补关注产生了那些成为优秀的行业导向科学家的品质。必须指出的是，组织利用这些品质并以富有成效的方式塑造他们的热情和方法的能力同样重要。我观察到，当数据科学计划不成功时，该组织可能像科学家一样有罪。科学家不是工程师。它们不会被驱动执行和构建。他们被驱使去发现和理解。掌握这种差异的组织可以很好地培养这两个领域。

至于科学家通常应用的数据，这与公司的核心目标有关。一些公司正在追逐分散的互联网 - 有些公司正在玩物联网或SaaS。其他人正试图开拓“用户友好”或“道德”或“透明”AI。

无论如何，数据科学家可能正在弥合他们使用的数据的硬度量，无论是在哪种技术堆栈中，以及概念化AI / ML功能的随心所欲的工作之间的鸿沟。

“我们聘请数据科学家来管理数据收集和清理，以及将这些数据转化为有意义的信息，” G2 Crowd数据科学与分析经理Michael Hupp说。他详细说明：

通常，这意味着管理驱动公司数据引擎的任何重要算法，并且能够流利地使用关键分析工具和语言，但近年来还包括新兴领域，如自然语言处理，机器学习，其他形式的支持AI的分析。最成功的数据科学家是那些将他们的硬技能与快速学习能力相结合的人，以及有效传达他们发现的洞察力的能力，以便他们对自己的业务有意义。

通过这些类型的见解，年轻的专业人​​士或学生更容易弄清楚数据科学家是否会成为他们的好角色，以及如何获得技能。STEM学习在全国各地的学校变得越来越容易，但是对编码和技术的热情以及即时学习的能力无法替代。