通俗解读《8步成为数据科学家》
作者：罗宾
罗宾，世界500强全球化IT项目中国区负责人，服务于快速消费品、零售行业十余年。某领先BI公司大中华区高级顾问，丰富的BI行业知识以及BI项目咨询、管理和实施经验。
博客专栏：
https://ask.hellobi.com/blog/luobin
这张完美的图，囤了好久了，今天拿出来，仔细研读一下，分享给大家。
先把全文整体浏览一遍……，主要是走这8步：
学好统计、数学和机器学习
学会编程
理解数据库
探索数据科学工作流
提升到大数据层面
成长、交流和学习
全身心投入工作
混社会（社区和论坛）
好了，先来热个身，什么是数据科学（家）？
2010的解读和2015的还不太一样，2010认为是“数学好，业务精，技术强”，也就是说：
理论基础要扎实——数学和统计学要掌握的好
丰富的行业知识——对所在的业务领域、行业知识要精通
技术牛人或大神——装的了机，调的通网，写的了代码，玩的转数据……
以上是修成正果的节奏，要是跑偏了呢，一般会这样：
数学不太好——很危险！没有严谨的方法论（理论依据），就有可能在瞎折腾；
业务不太熟——运用不到工业界（企业），就只会是个纸上谈兵的理论家；
技术不太强——没有现代IT技术的武装，就只会是个搞传统研究的老专家；
下面这张图，很好的解释了这些细节：
但是2015这张图，又是几个意思呢？
人工智能包含机器学习，机器学习又包含了深度学习；大数据领域跟三者都有交叉，但又是另外一个全新的领域。
数据挖掘（Data Mining），是AI人工智能和Big Data都会涉及到的领域，主要就是那些基础算法，预测、分类、聚类、关联等。
数据科学，就在此应运而生，跟AI和Big Data都有交叉，但不涉及深度学习。
太混乱了，一句话解释：数据科学（家）就是人工智能、机器学习和大数据领域的复合型学科（人才）
再来看看需要什么样的学历背景：
一句话概括：技校就行，本科不错，硕士最好，博士当然可以，但人不多（总人头就不多）
下面那句名言，说数据科学家基本就是这种人：你跟他谈技术，他和你谈业务；你要谈业务，他就搬理论……想不到，你是这样的数据科学家。
小结一下，数据科学家就是复合型人才，差不多智商的都可以上。但是，以我敏锐的洞察和经验，注意到这是DataCamp做的宣传图，它会把这事描述的相对容易，门槛低嘛大家都有兴趣来学，这样的图，其实也是软文的一种（老外的软文）。下图是DataCamp的首页，主要是提供在线的、收费的数据科学课程的
好，我们把书翻到第1页，先来看第1步——学好统计、数学和机器学习（走遍天下都不怕）
首先，关于数学，有一些非常好的资源可以利用：
可汗学院
官网是https://www.khanacademy.org
网易公开课（可汗学院）也有部分翻译过的课程
麻省理工学院MIT的OCW
https://ocw.mit.edu/index.htm
其次，关于统计学：
优达学城的统计学入门（Intro to Statistics）
https://cn.udacity.com/
OpenIntro的Statistics
https://www.openintro.org/
DataCamp自己也有几门课程
最后，关于机器学习
斯坦福在线的ML课程，应该就是大大牛Andrew Ng的课程
Coursera的practical machine learning
这里搜一下就有：https://www.coursera.org/
约翰霍普金斯大学的课程
DataCamp自己也有几门课程
好了，发散一下思路，现在好的课程，在网上已经是铺天盖地了，只要你有本事，想学什么都可以。所以，现在挤破头的学区房，10年以后可能会是个大笑话；当然，挤进名校，还有提升圈子、阶层的作用，这样看，又不好笑了……
翻到第2页，再来看第2步——学会编程
想起一个说法，说以后编程可能会是像英语一样的，每个人的最基础的技能了，所以，程序员可以先偷着乐一下。
首先你要具备一些计算机科学的基础知识
然后尝试一些基础性的开发工作
再选定一门好的（或你喜欢的）编程语言
开源的R和Python（当前最火）
商业工具：SAS, SPSS 等等
交互式的去学吧！就是学习、练习、交流、实践、思考，反复学习，刻意练习。（DataCamp刚才还很含蓄，现在憋不住要推自己的课程了……）
好，再来看第3步——理解数据库
既然要跟数据打交道，那么对数据存放和管理的地方——数据库的深刻理解，一定必不可少：
MySQL：经典的关系型数据库，开源，体积小，速度快，成本低；中小型网站或企业开发之必备；同Linux，Apache，PHP形成最高效、经典的开发环境LAMP
Oracle：领先的企业级数据库，高效率，功能强大，可移植性好，高可靠性，高吞吐量
Cassandra：高可用性和高可扩展性的NoSQL数据库（属于列式存储），支持大规模分布式数据存储和高并发数据访问
CouchDB：一个Erlang语言开发的Apache的顶级开源项目，是一个面向文档的NoSQL数据库
PostgreSQL：加州大学伯克利分校研发的对象关系型数据库管理系统（ORDBMS）
MongoDB：也是一个面向文档的NoSQL数据库，非关系数据库中最像关系数据库的，对数据结构要求不严格
需要对数据库加深理解的，可以移步至：
MongoDB University
https://university.mongodb.com/
斯坦福在线（又来了）
Introduction to Database
Datastax
https://www.datastax.com/
TutorialsPoint
http://www.tutorialspoint.com/
好，再来看第4步——探索数据科学工作流
此处，对于数据科学家的日常，我们又分为6小步走：
数据收集
运用各种方法（复制、导出，爬虫等），将原始数据收集起来，存储到一个地方（文本文件，Excel，数据库等）。
数据探索
使用一些基本的数据可视化工具，对数据做一个初步探查，看看大致的状况和数据分布情况。
数据清理
对重复数据，错误数据进行处理；对数据格式、规范进行统一；对部分数据进行分拆或者合并。
数据建模
根据需要求解的问题，选用合适的数据模型进行建模，并输出数据分析的结果。
数据验证
选用合适的统计分析工具，对数据分析输出的结果进行验证，确认分析结果在合理的误差范围或精度要求之内。
制作报告
将数据分析的结果和由此得出的结论，结合业务实际，制作出合理的数据分析报告。
这里，需要了解几个通俗的说法：
程序——几行代码，完成一个输入到输出的函数，或者过程，我们叫程序。
程序包（或者库）——预先写好的，通用的，规范的一堆程序文件，可以在我们的程序里调用。
工具（开发环境，IDE，软件）——通常是图形化界面下的，可以进行程序开发的一整套工具（软件）。
那么，对于以上6个步骤，就可以简单的解释了：
数据收集
Python：可以调用Numpy和Pandas等科学计算的“库”来做
R语言：可以调用readxl, data.table等“库”来做
数据探索
Python：可以调用Bokeh或Matplotlib等数据可视化“库”来做
R语言：可以调用ggvis, ggplot2等“库”来做
其它：可以使用可视化软件vega来实现
数据清理
Python：可以调用Pandas等“库”来做
R语言：可以调用dplyr, data.table等“库”来做
其它：可以使用数据清理和转化软件Data Wrangler来实现
数据建模
Python：可以使用开源机器学习框架Scikit-learn来做
R语言：可以调用caret这个机器学习“包”来做
其它：可以使用数据挖掘工具rapidminer来实现
数据验证
Python：可以调用statsmodels库来做
R语言：可以调用statmod库来做
其它：可以使用开源数据挖掘软件KNIME来实现
制作报告
Python：可以使用Jupyter工具来实现
R语言：可以使用R Studio自带的R Markdown来实现
其它：可以使用商业化BI软件Tableau, Spotfire等来实现
不错，已经走完一半了，接下来，我们走第5步——提升到大数据层面
首先，我们来理解，所谓的“大数据”到底比“小数据”，大在哪里？
流行的说法有4V和3V之说，其中3个V是指：
Velocity——更快的数据产生速度。主要归因于进入新的数据时代（比如从PC时代-->互联网-->移动互联网-->物联网），数据产生速度的量级开始猛增
Volume——更大、更多的数据量。数据产生快了，量自然就多了
Variety——更多样的数据种类。除了以前的结构化数据，还有文本、文档；图片、图像；音频、视频；XML、HTML等等大量的非结构化数据
4V就是在此基础上增加了一个Value，数据的价值。
其次，我们来看看最经典的大数据框架——Hadoop，曾经这个以“黄色小象”为logo的hadoop，就几乎是大数据的代名词。简单理解hadoop，它就是一个分布式的大数据系统基础架构：
因为数据“大”了，一台服务器（单机）处理不过来了，所以需要团结一个个的服务器（集群），来协同处理；或者说，把一个大的数据任务，分解出来，处理完成，再合并起来。Hadoop就把这个分布式系统的框架，搭好了。
计算机的两个重要组成部分，处理器CPU负责计算，内存（硬盘）负责存储，所以，对应的，MapReduce就是Hadoop的分布式计算框架；HDFS就是Hadoop的分布式文件存储系统。
最后，关于Spark，业界其实一直流传着Hadoop是一个大坑的说法，实施起来并没有传说中那么好，（当然也造就了一大批hadoop填坑的工作岗位）。主要问题在于MapReduce，计算引擎这块，Spark算是第二代引擎，对大数据计算时的中间输出结果，使用内存计算进行了优化，大大提升了数据处理速度（号称提升了100倍），所以可用于大规模的实时数据流处理和交互式分析。
接下来，我们再来看第6步——成长、交流和学习
学了这么多，也该出来练练手了：
参加一些数据挖掘或算法挑战竞赛
最著名的是Kaggle，国内有阿里的天池。将所学的技能，去解决工业界（企业）遇到的实际问题，并获取一定的奖金，何乐而不为？
结交各路豪杰（现在叫大牛/大神）
一个人学容易闭门造车，或者一个问题卡死在哪里，无从下手。多认识一些志同道合的朋友，可以增长见识，开拓思路，学习进度也可以大大提升。
参与一些实际项目（积累项目经验）
跟几个人创建一个合作小团队，实打实的去完成一个实际的小项目，会在很大程度上提升你的个人资历和背景，实践出真知。
提升你的直觉（心理表征）
反复的学习、演练、实践、再学习，便可以让个人知识、技能和经验不断螺旋式上升，慢慢的，以前棘手的问题，已经可以下意识的给出结论或者解决办法，就像可以完全依靠直觉来处理一样，其实，这就是刻意练习所强化出来的心理表征的作用。
下面看第7步——全身心投入工作
演练完了，就找一份全职的工作吧，可以从实习生做起，一路打怪升级，做到真正的数据科学家。你的实践经验也会在这个过程中，继续得到更大的提升。
另外，类似Kaggle这样的平台，也提供数据科学家的工作招聘，你可以把竞赛的成绩直接显示到你的简历里。能力如果足够出色，薪水从来不是问题。
居然要写完了……来看最后一步，天龙8步——混社会（社区和论坛）
工作也有了，收入也杠杠的，那么……好山好水好无聊啊，总得找点事情做做，那就去混社会吧（当然是数据科学家的社会），有好多种操作方式：
时刻关注行业或领域最新资讯，保证不落伍，谈资满满。
不能一味索取，也要贡献一些产出，知识经验分享，代码共享，思路分享……不一而足。
可以加入一些社区，微信群，线上线下均可，总要找到组织嘛，个人总要有些群体归属感（我又突然想起那句“适当离群，才能保证足够优秀”的话……）。
当你还是一个小白时，记得粉大牛/大神，虚心请教，背后痛下苦功，争取早日成为另一个大牛；成为大牛后，也记得对小白好一点。：）
更多干货请戳：
从0起步，走BI业务路线——如何往项目、咨询、管理的方向发展
点击阅读原文或扫码开始学习