被称为21世纪最性感的工作，我们要如何学习数据科学？

　　数据科学是什么？怎样才能成为一名数据科学家？
　　数据科学的历史可以追溯到20世纪60年代，但是在当时并未引起学术界的注意。在这个研究被《哈佛商业评论》评为21世纪最性感的工作之后，数据科学激起了广大公众的兴趣！那么数据科学到底是什么？怎样才能成为一名数据科学家？
　　说到数据科学，我们脑海里可以立即联想到一些相关的学科如基础的计算机科学，网络工程，编程，和数学。实际上数据科学通常被认为是下列学科的组合：计算机科学、统计、专业领域。
　　计算机科学
　　1。计算机科学与编程导论：主要介绍机器语言、C语言和C语言的编程模式，递归、数据库和程序性能的基本内容，介绍计算理论的基本概念。
　　2。计算机系统工程：该学科涵盖了计算机软件和硬件系统工程的主题，控制复杂性的技术；采用客户机服务器设计、虚拟内存和线程，具有很强的模块化；网络；并行活动的原子性和协调；复苏和可靠性；私隐、保安及加密；以及计算机系统对社会的影响。
　　3。计算结构：数字系统工程概论。从MOS晶体管开始，学习一系列的积木逻辑门，组合和顺序电路，有限状态机，计算机，最后在硬件和软件方面的完整系统。
　　4。算法介绍：它涵盖了用于解决计算问题的常见算法、算法范例和数据结构。
　　5。人工智能：介绍人工智能的基本知识表示、问题解决和学习方法。
　　6。使用CcJava进行面向对象编程
　　数学和统计
　　1。应用数学：面向计算机科学和工程的离散数学导论。
　　2。概率论与统计（与R程序设计）：关于概率论与统计及其应用的基本介绍。主题包括：随机变量、概率分布、贝叶斯推理、假设检验、置信区间和线性回归。
　　3。线性代数（用R编程或其他数学工具）：本课程涵盖矩阵理论和线性代数。
　　4。统计机器学习（与R编程）：介绍数据科学的核心算法，如线性和非线性回归的类型，分类技术，如logistic回归，朴素贝叶斯，支持向量机，决策树（香草决策树，随机森林，推进），无监督学习方法，如聚类，神经网络介绍。
　　5。高级机器学习（使用Python编程）：专为对人工智能更感兴趣的学生而设，重点关注用于图像文本处理的神经网络。
　　专业领域
　　理想情况下，这些应该基于工作兴趣领域，这样每个学生都可以选择一个专业领域（例如，网络开发、移动应用开发、市场分析、供应链、金融、制造等）。
　　数据科学专业课程
　　这里的核心主题应该是：
　　1。数据收集和清理：这应该包括使用开放源码工具（如PythonR）从web抓取数据、连接数据库等。还有用于创建分析数据集的数据清理和ETL概念，如重复数据删除、整合、缺失数据估计技术。
　　2。数据可视化和报告：使用SASSAP或RPython等工具创建BI仪表板，通过可视化和数据故事演示演示洞察力。
　　3。数据科学应用12：完成以业务为中心的端到端数据科学项目。这一主题在最后几年可能应该重复两次。它应该非常重要地包括连接到真实的数据库和在生产环境中部署模型，而不仅仅是对静态数据集的特殊分析。
　　4。高级数据计算：这里的学生应该使用开源和专有工具（如HadoopSpark、HANA或其他MPP数据库）创建具有大规模数据的项目
　　必要的话，还包括以下内容：
　　1。网络工程基础。理由：一个毕业生应该了解计算机网络，能够在一个组织中工作，管理，并在必要时改进网络和数据架构。课程包括：网络工程、数据库、数据仓库。
　　2。研究方法：能够系统地设计项目，从假设生成到提出业务建议，使用定量和定性的方法。
　　3。非结构化数据分析：学生应该了解文本挖掘、自然语言处理、社交媒体挖掘、web挖掘等应用的基础知识。这些也可以以选修课的形式。
　　看到这里，是不是感到非常繁琐，甚至已经产生了放弃的念头，其实这是大多数人的想法，但是当你深入其中的时候，你会感觉如此繁多的课程都是相互联系的。
　　当然，最重要的一点学会爱上枯燥的数据。数据科学是一个广泛而模糊的领域，这使得它很难学习。真的很难，如果没有动力，你会半途而废，并认为自己做不到，但错不在你，而在教学上。
　　你需要一些能让你发现统计学、线性代数和神经网络等主题之间的联系的东西。它可以防止你纠结于我接下来要学什么？的问题。甚至你可以找到你兴趣的切入点，比如有个朋友学习数据科学的切入点是预测股票市场，他对股票市场很着迷，因此他自然而然地学会爱上数据，这样就有动力去学习任何我需要的东西来让我的程序变得更好。当然，并不是每个人都热衷于预测股市，但是找到让你想要学习的东西真的很重要。
　　最后，要成为一名数据科学家，你需要不断地向他人分享你的分析结果。做到这一点的技巧就是一个好的数据科学家和一个伟大的数据科学家之间的区别。你可以从与他人的合作中学到很多东西，在数据科学中，团队合作在工作环境中也非常重要。