成為一名資料科學家，Course 或 MOOC 上的廣告說幾個月就行。然而本文作者說，這是不可能的。以下是作者根據自身經歷寫的經驗（雞湯）貼，內容詳實豐富 ↓↓

關於做一名資料科學家，我有一些想法分享給大家：成為一名資料科學家並不容易，需要付出很多努力，當然如果你對資料科學充滿興趣，那一切都是值得的。

時常有人問我：如何成為一名資料科學家？必修的課程是什麼？需要多長時間？你是怎麼成為資料科學家的？我已多次回答過這些問題。所以在我看來，寫一篇彙總的文章也許能幫助那些想要成為資料科學家的人。

關於作者

作者（Andrew Lukyanenko，俄羅斯人，以下簡稱為我）在密歇根州立大學經濟學院獲得碩士學位，並在 ERP 系統規劃領域做了 4 年的分析師和顧問。我的工作涉及與客戶交談，討論他們的需求並將其落地，編寫文件，向程式設計師說明任務，測試結果，組織專案和許多其它事情。

這是一項壓力很大的工作，需要處理很多問題。更重要的是，我並不喜歡它。儘管我喜歡處理資料，但我做的大多數事情還是令人索然無味。所以，在 2016 年的春夏之交，我開始另謀出路。我通過了精益六西格瑪（Lean Six Sigma）的綠帶測試，但還未找到新的就業機會。有一天我發現了大資料（BigData）。在 Google 上搜索和閱讀了許多文章後，我意識到這可能是我的夢想職業。

對大資料的概念都是模糊不清的，大資料是什麼，能做什麼，學的時候，該按照什麼線路去學習，學完往哪方面發展，想深入瞭解，想學習的同學歡迎加入大資料學習qq群：458345782，有大量乾貨（零基礎以及進階的經典實戰）分享給大家

並且有清華大學畢業的資深大資料講師給大家免費授課，給大家分享目前國內最完整的大資料高階實戰實用學習流程體系 。

我辭去工作，並在八個月後在一家銀行找到了第一份資料科學家的工作。從那之後，我先後就職了幾家公司，但我對資料科學的熱情日益增加。我完成了一些關於機器學習和深度學習的課程，實踐了一些專案（如聊天機器人或數字識別 APP），先後參加了許多機器學習的比賽和活動，在 Kaggle 上獲得了三枚銀牌。總之，我有一些學習資料科學和作為資料科學家工作的經驗。當然，我還有很多技能需要學習。

免責宣告

本文所述僅為我自己的觀點。可能有些人會對其中的內容持反對態度，但我無意冒犯任何人。我認為想成為一名資料科學家必須投入大量的時間和精力，否則將一事無成。Course 或 MOOC 聲稱可以讓你在幾周或幾個月內成為機器學習/深度學習/資料科學專家的廣告語並不是真的。你可以在數週/數月內獲得一些知識和技能。但如果沒有廣泛的實踐（大多數課程內不包含這一部分），你無法真正掌握它。

你確實需要內在的動力，但更重要的是，你需要嚴格地規範自己，這樣你可以在動力消失後繼續努力。

再說一遍——你需要自己動手動腦。如果你在提出最基礎的問題之前沒有用 Google/ StackOverflow 或思考幾分鐘，那你將永遠無法趕上專業人士。

在我參加的大多數課程中，只有大約 10-20％的人完成了這些課程。半途而廢的人基本都缺乏耐心和決心。

什麼樣的人能成為資料科學家？

上圖顯示了資料科學家所需的一些核心技能，比如：數學和統計學，程式設計和開發，領域相關知識和軟技能。

這麼多技能！怎麼可能完全掌握呢？嗯，需要花費很多時間。但告訴你一個好訊息：沒必要掌握全部。

2018 年 10 月 21 日，Yandex 上有一個有趣的演講，其中提到資料科學專家型別有很多，他們只是擁有上述技能中的某幾種而已。

資料科學家應該處於圖片中間的位置，但實際上他們可以處於三角形的任何位置，不同位置對應了不同的專家能力。

在本文中，我將討論的一類資料科學家是那些可以與客戶交談，進行分析，構建模型並實施專案的人。

轉行？這意味著你已有所瞭解！

有人說轉行相當困難。雖然這是事實，但轉行也通常意味著你對現在工作已經有所瞭解。也許你有程式設計和開發經驗，也許你在數學/統計學領域工作過，或者你每天鍛鍊你的軟技能。至少你擁有一些自己領域的專業知識。你可以揚長避短。

對大資料的概念都是模糊不清的，大資料是什麼，能做什麼，學的時候，該按照什麼線路去學習，學完往哪方面發展，想深入瞭解

想學習的同學歡迎加入大資料學習qq群：458345782，有大量乾貨（零基礎以及進階的經典實戰）分享給大家

並且有清華大學畢業的資深大資料講師給大家免費授課，給大家分享目前國內最完整的大資料高階實戰實用學習流程體系 。

資料科學路線圖