2018 年，AI 的發(fā)展腳步會加快，這一年將是 AI 技術重生和數(shù)據(jù)科學得以重新定義的一年。對于雄心勃勃的數(shù)據(jù)科學家來說，他們?nèi)绾卧谂c數(shù)據(jù)科學相關的工作市場中脫穎而出？2018 年會有足夠多的數(shù)據(jù)科學相關工作嗎？還是說有可能出現(xiàn)萎縮？接下來，讓我們來分析一下數(shù)據(jù)科學的趨勢，并一探如何在未來的大數(shù)據(jù)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(shù)據(jù)學習交流群：199427210，群里都是學大數(shù)據(jù)開發(fā)的，如果你正在學習大數(shù)據(jù) ，小編歡迎你加入，大家都是軟件開發(fā)黨，不定期分享干貨（只有大數(shù)據(jù)開發(fā)相關的），包括我自己整理的一份2018最新的大數(shù)據(jù)進階資料和高級開發(fā)教程，歡迎進階中和進想深入大數(shù)據(jù)的小伙伴。
1、你需要牢固掌握概率統(tǒng)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(yōu)化、拉各朗日方法論、二次規(guī)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(xiàn)在大部分機器學習都需要海量數(shù)據(jù)，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(tǒng)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(shù)據(jù)可視化的作用。如果無法讓你自己或別人理解數(shù)據(jù)，那么它們就變得毫無意義。數(shù)據(jù)可視化就是指如何在正確的時間向正確的人展示數(shù)據(jù)，以便讓他們從中獲得價值。主要的數(shù)據(jù)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(shù)據(jù)科學家，不一定非要拿到數(shù)據(jù)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(jīng)濟學學位、數(shù)學學位、統(tǒng)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(shù)據(jù)把 AI 推向了技術炒作的舞臺正中央，數(shù)據(jù)科學和機器學習在各行各業(yè)開始嶄露頭角
本文由 【AI前線】原創(chuàng)，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(shù)據(jù)把 AI 推向了技術炒作的舞臺正中央，數(shù)據(jù)科學和機器學習在各行各業(yè)開始嶄露頭角。機器學習開始被應用于解決數(shù)據(jù)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(shù)據(jù)的價值創(chuàng)新，包括數(shù)據(jù)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(guī)范性分析、行為分析和物聯(lián)網(wǎng)。
2018 年，AI 的發(fā)展腳步會加快，這一年將是 AI 技術重生和數(shù)據(jù)科學得以重新定義的一年。對于雄心勃勃的數(shù)據(jù)科學家來說，他們?nèi)绾卧谂c數(shù)據(jù)科學相關的工作市場中脫穎而出？2018 年會有足夠多的數(shù)據(jù)科學相關工作嗎？還是說有可能出現(xiàn)萎縮？接下來，讓我們來分析一下數(shù)據(jù)科學的趨勢，并一探如何在未來的大數(shù)據(jù)和機器學習 /AI 領域獲得一份不錯的工作?！?/p>
增強技術實力
編程語言和開發(fā)工具
365 Data Science 收集了來自 LinkedIn 的 1001 數(shù)據(jù)科學家的信息，發(fā)現(xiàn)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(tǒng)計學、應用數(shù)學和機器學習算法
你需要牢固掌握概率統(tǒng)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(yōu)化、拉各朗日方法論、二次規(guī)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(xiàn)在大部分機器學習都需要海量數(shù)據(jù)，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(tǒng)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(shù)據(jù)庫
傳統(tǒng)關系型數(shù)據(jù)庫已經(jīng)老去。除了 Hadoop 之外，你還需要掌握 SQL、Hive 和 Pig，以及 NoSQL 數(shù)據(jù)庫，如 MongoDB、Casssandra、HBase。
基于 NoSQL 分布式數(shù)據(jù)庫的基礎設施已經(jīng)成為大數(shù)據(jù)倉庫的基礎。原先在一個中心關系型數(shù)據(jù)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(shù)據(jù)可視化工具
在掌握編程語言和算法的同時，不要忽略了數(shù)據(jù)可視化的作用。如果無法讓你自己或別人理解數(shù)據(jù)，那么它們就變得毫無意義。數(shù)據(jù)可視化就是指如何在正確的時間向正確的人展示數(shù)據(jù)，以便讓他們從中獲得價值。主要的數(shù)據(jù)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(yè)
要成為數(shù)據(jù)科學家，不一定非要拿到數(shù)據(jù)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(jīng)濟學學位、數(shù)學學位、統(tǒng)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(fā)展，比如經(jīng)濟、應用數(shù)學或工程領域。首先要確定數(shù)據(jù)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(shù)據(jù)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(xù)自我提升的毅力將決定你的數(shù)據(jù)科學家之路會走多遠。
