评估自己作为一名数据科学家

成为一名数据科学家需要具备哪些技能？

在《Doing Data Science: Straight Talk from the Frontline》这本书中，我读到了一种有趣的、以数据为驱动的方法来回答这个问题。

在本文中，我将总结这种自我评估方法，你可以用它来评估你作为一名数据科学家的优势，以及你在一个出色的数据科学团队中可能扮演的角色。

如果你愿意，你可以使用“应用机器学习实践者”作为“数据科学家”的同义词。

数据科学独角兽

在回顾数据科学家招聘时，《Doing Data Science》的作者们发现雇主们正在寻找“独角兽”。

招聘广告寻找那些不存在的、在计算机科学、统计学、沟通、数据可视化和领域专业知识方面拥有优势的员工。

考虑到“数据科学家”这个术语定义不清，这一点并不令人意外，雇主甚至不知道他们需要什么，甚至不知道需要解决什么问题。

技能柱状图

作者们巧妙地列出了来自招聘广告中数据科学家常见的必备技能。

他们使用这个列表，建议你相对于每项技能，在一个相对的尺度（0-100）上给自己打分。

最后，他们建议你将结果以条形图或柱状图的形式呈现。

单个人不会拥有所有技能，但一个设计精良的数据科学团队会。

这项自我评估中的技能如下：

• 计算机科学
• 数学
• 统计学
• 机器学习
• 领域专业知识
• 沟通和演示技巧
• 数据可视化

书中第11页的Rachel的完整评估示例如下：

数据科学档案
摘自《Doing Data Science》第11页

我认为这是一个有用的工具，可以帮助你专注于你的优势，并认识到团队成员可以帮助你弥补的不足。

技能柱状图集

出色数据科学成果需要团队协作。

一个人可能在一个领域有专长，而在其他领域普遍较弱。只有当具有不同优势的个体聚集在一起组成一个团队时，你才能做到出色的数据科学。

作者们通过以下图示说明了这一点（摘自书中第12页）：

数据科学团队档案
摘自《Doing Data Science》第12页

自我评估

你上面列出的7项技能中，你的优势是什么？

你是否能够为这些技能中的每一项打出1-100的自我评分？

请看我下面对自己的评估尝试。

Jason的主观技能评估

这很难。我相信我的优势可能在于计算机科学、机器学习和沟通。上面的图表表明我的可视化技能并不出色。

我认为很容易夸大自己的技能。什么是好？你如何将一项技能与另一项技能进行比较？擅长计算机科学中的离散数学，如果你的微积分很糟糕，对你的数学分数没有帮助。统计学是数学，对吧？以此类推。然而，你必须从某个地方开始。

这里的关键学习是识别并加倍发挥你的优势。你不可能掌握所有技能。将你最强的技能带到牌桌上。

在下方发布你的结果，我认为这将是一种引人入胜的方式，可以在小型项目或 Kaggle 竞赛中将人们分组。

上面列出的技能是否遗漏了什么？