如果你是一名數據科學方面的求職者，你肯定想知道在簡歷上寫些什么才能獲得面試的機會；如果你想進入這個領域，你一定想知道具備哪些技術才能成為一名有競爭力的求職者。
在本文中，我們對Indeed中一千份數據科學相關的招聘信息進行了分析，主要針對數據工程師、數據科學家和機器學習工程師這三個職位，希望能解答你的疑問。
首先，讓我們來看看不同職位的技能要求。
一、必備語言
1. 目前Python處於主導地位
關於數據科學中的首選語言，究竟是Python還是R曾有過爭論。顯然，市場需求說明如今Python是處於主導地位。同樣值得注意的是，R語言可能還排在SAS之后。因此，如果你打算進入數據科學領域，不妨把學習重點放在Python上。作為數據庫語言，SQL是數據科學家第二重要的語言。由於數據科學家職業的廣泛性，其他語言也扮演着重要角色。
數據科學家必備語言排名為：Python、SQL、Scala、Lua、Java、SAS、R、C ++和Matlab。
2. 機器學習工程師使用的語言更加多樣化
Python是機器學習工程師的首選語言，這並不令人驚訝。機器學習工程師需要從頭開始實現算法，並在大數據環境中部署ML模型，因此C ++和Scala等相關語言也很重要。總的來說，機器學習工程師使用的語言更加多樣化。
機器學習工程師必備語言排名為：Python、Scala、Java、C ++、Lua、SQL、Javascript、Matlab、CSS和C＃。
3. SQL 是數據工程師的必備技能
數據工程師一直都在於數據庫打交道，而SQL是數據庫語言，因此SQL是首選語言也就不足為奇了。同時Python也重要，但重要性排在Scala和Java之后，因為后者能夠幫助數據工程師處理大數據。
數據工程師必備語言排名為：SQL、Scala、Java、Python和Lua。
4. Scala 逐漸成為數據科學中第二重要的語言（而不是R語言）
當我們研究分析不同職位時發現，Scala要么的重要性排在第二或第三。因此我們可以，數據科學領域中排名中前三的語言是Python、SQL和Scala。如果你打算學一門新語言，可以試試Scala。
二、大數據技能
Spark是除數據工程師之外，最必備的大數據技能
僅對數據工程師而言，Hadoop比Spark更為重要。但總的來說，Spark絕對是應該首先學習的大數據框架。相對於數據科學家，Cassandra對工程師更為重要，而似乎只有數據工程師才需要用Storm。
數據科學領域必備的大數據技術排名為：Spark、Hadoop、Kafka、Hive。
三、 深度學習框架
深度學習方面，TensorFlow 占主導地位
在數據工程師的招聘中很少提到深度學習框架，因此該職位可能不需要用到深度學習框架；在機器學習工程師招聘中，常常提到深度學習框架，這表明機器學習工程師需要常常處理機器學習建模，而不僅僅是模型部署。
此外，TensorFlow在深度學習領域絕對占據主導地位。盡管Keras作為高級深度學習框架在數據科學家中非常受歡迎，但對於機器學習工程師職位，很少要求要掌握Keras，這可能表明機器學習從業者大多使用較低級別的框架，如TensorFlow。
數據科學中要掌握的深度學習框架排名為：TensorFlow、Torch、Caffee和MXNet。
四、雲計算平台
AWS占據主導地位
五、機器學習應用
機器學習方面計算機視覺是最主要的技能需求
對於一般數據科學家來說，機器學習最大的應用領域是自然語言處理，其次是計算機視覺、語音識別、欺詐檢測和推薦系統。有趣的是，在機器學習工程師職位招聘中，最大的需求是計算機視覺，其次才是自然語言處理。
另一方面，機器學習方面數據工程師再次成為備受專注，然而這些機器學習應用領域與他們並沒有關系。
如果想成為數據科學家，你可以想進入的領域，選擇不同類型的項目來展現專業知識，但對於機器學習工程師來說，計算機視覺是最佳選擇！
六、可視化工具
Tableau是可視化方面的必備技能
在招聘中，數據科學家大多都要求需要掌握可視化工具，而很少要求數據工程師和機器學習工程師掌握。然而對以上每個職位來說，Tableau都是首選。對於數據科學家，Shiny、Matplotlib、ggplot和Seaborn都同樣重要。
七、其他技能
在數據科學領域，Git對每種職位都很重要，而Docker僅適用於工程師
八、詞雲
接下來，我們使用詞雲來分析每個職位最常用的關鍵詞，並結合相應的技能為所有數據科學角色構建理想的技能清單！
1. 數據科學家：更注重機器學習，而不是業務或分析
數據科學家一直被認為是需要統計、分析、機器學習和商業知識的全方位職業。然而，現在看來在招聘數據科學家時，比起其他技能，更多地關注機器學習技能。
其他主要要求包括：業務、管理、通信、研究、開發、分析、產品、技術、統計、算法、模型、客戶和計算機科學。
2. 機器學習工程師：研究、系統設計和構建
與一般的數據科學家相比，機器學習工程師的技能要求更為集中，包括研究、設計和工程。顯然，解決方案、產品、軟件和系統是主要技能要求。除此之外還伴隨着研究、算法、人工智能、深度學習和計算機視覺等要求。同時商業、管理、客戶和溝通等也很重要。另一方面，管道和平台也很重要，這也印證了機器學習工程師主要負責構建數據管道以部署機器學習系統。
圖片.png
3. 數據工程師：技能要求更為集中
與機器學習工程師相比，數據工程師的技能要求更集中。重點是通過設計和開發管道來支持產品、系統和解決方案。最主要的要求包括：技術技能、數據庫、構建、測試、環境和質量。機器學習也很重要，可能是因為構建管道主要為了支持機器學習模型部署數據需求。
圖片.png
如果你不想再體驗一次自學時找不到資料，沒人解答問題，堅持幾天便放棄的感受的話，可以加我們的大數據交流群：894951460，里面有各種大數據學習的資料和技術交流。
加油吧，程序員！路就在腳下，成功就在明天！
未來的你肯定會感謝現在拼命的自己！