2018 年，AI 的發展腳步會加快，這一年將是 AI 技術重生和資料科學得以重新定義的一年。對於雄心勃勃的資料科學家來說，他們如何在與資料科學相關的工作市場中脫穎而出？2018 年會有足夠多的資料科學相關工作嗎？還是說有可能出現萎縮？接下來，讓我們來分析一下資料科學的趨勢，並一探如何在未來的大資料和機器學習 /AI 領域獲得一份不錯的工作。”
1、你需要牢固掌握概率統計學，並學習和掌握一些演算法，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。
不但要理解這些演算法，還要知道它們的工作原理。你需要牢固掌握梯度下降、凸優化、拉各朗日方法論、二次規劃、偏微分方程、求積法等相關演算法。
如果你想找一份高薪的工作，還需要掌握機器學習技術和演算法，比如 k-NN、樸素貝葉斯、SVM 和決策森林等。
大資料學習群：716581014 一起學習
2、
現在大部分機器學習都需要海量資料，所以你無法在單臺機器上進行機器學習。所以，你需要用到叢集，需要掌握 Apache Hadoop 和一些雲服務，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 系統上執行的，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、在掌握程式語言和演算法的同時，不要忽略了資料視覺化的作用。如果無法讓你自己或別人理解資料，那麼它們就變得毫無意義。資料視覺化就是指如何在正確的時間向正確的人展示資料，以便讓他們從中獲得價值。主要的資料視覺化工具包括：Tableau、
QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。
4、要成為資料科學家，不一定非要拿到資料科學方面的學位。事實上，你完全不需要這麼做，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、經濟學學位、數學學位、統計學學位、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慧相關的工作？
“2017 年，大資料把 AI 推向了技術炒作的舞臺正中央，資料科學和機器學習在各行各業開始嶄露頭角。機器學習開始被應用於解決資料分析問題。機器學習、AI 和預測分析成為 2017 年的熱門話題。我們見證了基於資料的價值創新，包括資料科學平
臺、深度學習和主要幾個廠商提供的機器學習雲服務，還有機器智慧、規範性分析、行為分析和物聯網。
2018 年，AI 的發展腳步會加快，這一年將是 AI 技術重生和資料科學得以重新定義的一年。對於雄心勃勃的資料科學家來說，他們如何在與資料科學相關的工作市場中脫穎而出？2018 年會有足夠多的資料科學相關工作嗎？還是說有可能出現萎縮？接下來，讓我們
來分析一下資料科學的趨勢，並一探如何在未來的大資料和機器學習 /AI 領域獲得一份不錯的工作。”
增強技術實力
程式語言和開發工具
365 Data Science 收集了來自 LinkedIn 的 1001 資料科學家的資訊，發現需求量最大的程式語言為 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。
概率統計學、應用數學和機器學習演算法
你需要牢固掌握概率統計學，並學習和掌握一些演算法，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。
不但要理解這些演算法，還要知道它們的工作原理。你需要牢固掌握梯度下降、凸優化、拉各朗日方法論、二次規劃、偏微分方程、求積法等相關演算法。
如果你想找一份高薪的工作，還需要掌握機器學習技術和演算法，比如 k-NN、樸素貝葉斯、SVM 和決策森林等。
分散式計算和 Unix 工具
現在大部分機器學習都需要海量資料，所以你無法在單臺機器上進行機器學習。所以，你需要用到叢集，需要掌握 Apache Hadoop 和一些雲服務，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 系統上執行的，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 資料庫
傳統關係型資料庫已經老去。除了 Hadoop 之外，你還需要掌握 SQL、Hive 和 Pig，以及 NoSQL 資料庫，如 MongoDB、Casssandra、HBase。
基於 NoSQL 分散式資料庫的基礎設施已經成為大資料倉儲的基礎。原先在一箇中心關係型資料庫上需要 20 個小時才能處理完的任務，在一個大型的 Hadoop 叢集上可能只需要 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。
資料視覺化工具
在掌握程式語言和演算法的同時，不要忽略了資料視覺化的作用。如果無法讓你自己或別人理解資料，那麼它們就變得毫無意義。資料視覺化就是指如何在正確的時間向正確的人展示資料，以便讓他們從中獲得價值。主要的資料視覺化工具包括：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
要成為資料科學家，不一定非要拿到資料科學方面的學位。事實上，你完全不需要這麼做，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、經濟學學位、數學學位、統計學學位、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展，比如經濟、應用數學或工程領域。首先要確定資料科學這條路是不是適合自己。2018 年絕對不會讓那些有志在資料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、熟練的程式設計技能、誠摯的熱情和
持續自我提升的毅力將決定你的資料科學家之路會走多遠。
大資料學習群：716581014 專注大資料分析方法,大資料程式設計，大資料倉儲，大資料案例，人工智慧,資料探勘，AI等大資料內容分享交流