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。對於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，並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。”

1、你需要牢固掌握概率統計學，並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。

大數據學習群：716581014 一起學習

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 和一些雲服務，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，那麽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，你完全不需要這麽做，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？

“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於解決數據分析問題。機器學習、AI 和預測分析成為 2017 年的熱門話題。我們見證了基於數據的價值創新，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雲服務，還有機器智能、規範性分析、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。對於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，並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，並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 和一些雲服務，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。

基於 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，那麽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，你完全不需要這麽做，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誌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。

大數據學習群：716581014 專註大數據分析方法,大數據編程，大數據倉庫，大數據案例，人工智能,數據挖掘，AI等大數據內容分享交流

如何在未來的大數據和機器學習領域，獲得一份不錯的工作？