Listahan ng Mga Agham at Mga Halimbawa ng Mga Siyentipiko ng Data

Ang "data scientist" ay isang malawak na termino na maaaring sumangguni sa isang bilang ng mga uri ng mga karera. Sa pangkalahatan, pinag-aaralan ng siyentipikong data ang data upang malaman ang tungkol sa proseso ng siyensya. Ang ilang mga pamagat ng trabaho sa agham ng data ay kinabibilangan ng analyst ng data, data engineer, computer at siyentipikong pananaliksik sa impormasyon, analyst ng operasyong pananaliksik, at analyst ng computer system.

Ang mga siyentipiko ng datos ay nagtatrabaho sa iba't ibang mga industriya, mula sa tech hanggang sa gamot sa mga ahensya ng gobyerno. Ang mga kwalipikasyon para sa isang trabaho sa agham ng data ay nag-iiba dahil ang pamagat ay napakalawak. Gayunpaman, may ilang mga kasanayan sa mga employer na hinahanap sa halos bawat siyentipikong datos. Kinakailangan ng mga siyentipiko ng datos ang malakas na statistical, analytical, at mga kasanayan sa pag-uulat.

Narito ang isang listahan ng mga kasanayan sa siyentipikong datos para sa mga resume, mga titik sa pagsulat, mga aplikasyon sa trabaho, at mga panayam. Kasamang ay isang detalyadong listahan ng limang pinakamahalagang data na mga kakayahan ng siyentipiko, sinamahan ng mga listahan ng mga kaugnay na kasanayan at mga responsibilidad sa trabaho.

Mga Tip para sa Paggamit ng Listahan ng Mga Kakayahan

Ang isang mahalagang bahagi ng paglikha ng resume at cover letter na napapansin ng mga tagapag-empleyo ay upang maisama ang maraming keyword-keyword na keyword at mga pariralang keyword na posible. Ito ay dahil madalas na gumagamit ng mga kumpanya ang mga madalas na gumagamit ng mga sistemang pagsubaybay ng mga aplikante (mga sistemang ATS) upang magbigay ng unang yugtong pagtatasa ng mga aplikasyon ng trabaho na natatanggap nila. Ang higit pang mga keyword ay naglalaman ng iyong resume, mas malamang na ipasa ang unang cut ng sistema ng ATS at, sa huli, maabot ang mata ng isang tagapangasiwa ng pagkuha.

Ang mga terminong nakalista dito ay kabilang sa mga madalas na hinahanap na mga keyword na nakaprograma sa mga sistema ng ATS at ginagamit sa trabaho para sa mga siyentipiko ng data. Kaya, dapat mong subukan na isama ang marami sa mga keyword na ito sa iyong resume - sa isang unang buod ng mga kwalipikasyon, sa seksyon ng iyong kasaysayan ng trabaho, at sa isang tech table na naglalarawan sa iyong hardware at software skills.

Dapat mo ring ilarawan ang iyong utos sa pinakamahalaga sa mga kasanayang ito sa iyong sulat na takip at, sa kalaunan, sa panahon ng iyong personal na mga panayam. Siguraduhin na mapahusay ang mga paglalarawan na may mga tukoy na halimbawa kung paano mo ginamit ang bawat kasanayan sa isang setting ng trabaho o pagsasanay.

Ang iyong pinakamahusay na gabay kung alin sa mga keyword na dapat mong isama ang paglalarawan ng trabaho kung saan ka nag-aaplay. Ang bawat trabaho na inilalapat mo ay nangangailangan ng iba't ibang mga kasanayan at karanasan, kaya siguraduhin na basahin mo ang paglalarawan ng trabaho nang maingat at tumuon sa mga kasanayan na nakalista ng employer, pag-angkop sa bawat resume at cover letter na iyong isusumite sa mga kwalipikasyon na hiniling ng ibang mga employer.

Nangungunang Limang Data Mga Kasanayan sa Scientist

Analytical

Marahil ang pinakamahalagang kasanayan para sa siyentipikong datos ay ang pag-aralan ang impormasyon. Ang mga siyentipiko ng datos ay kailangang tumingin, at may kahulugan ng, malalaking swaths ng data. Dapat nilang makita ang mga pattern at mga uso sa data at ipaliwanag ang mga pattern na iyon. Ang lahat ng ito ay tumatagal ng malakas na kasanayan sa analytical.

• Analytical Tools
• Analytics
• Big Data
• Paggawa ng mga Predictive Models
• Paglikha ng mga Kontrol upang matiyak ang Katumpakan ng Data
• Kritikal na pag-iisip
• Data
• Pagsusuri sa datos
• Data Analytics
• Maanipulasyon ng datos
• Data Wrangling
• Data Science Tools / Data Tools
• Data Pagmimina
• Pagsuri ng Bagong Analytical Methodologies
• Pagsasalin sa Data
• Mga Sukatan
• Pagmimina Data ng Social Media
• Pagmomodelo ng Data
• Mga Modeling Tool
• Paggawa ng Visualization ng Data
• Pananaliksik
• Panganib sa Pagmomolde
• Testing Hypotheses

Pagkamalikhain

Ang pagiging mahusay na data ng siyentipiko ay nangangahulugan din ng pagiging malikhain. Una, kailangan mong gamitin ang pagkamalikhain upang makita ang mga trend sa data. Pangalawa, kailangan mong gumawa ng mga koneksyon sa pagitan ng data na maaaring tila walang kaugnayan. Ito ay tumatagal ng maraming malikhaing pag-iisip. Sa wakas, kailangan mong ipaliwanag ang data na ito sa mga paraan na malinaw sa mga ehekutibo sa iyong kumpanya. Ito ay madalas na nangangailangan ng malikhain at mga paliwanag.

• Pagkakahigitan
• Paghatid ng Teknikal na Impormasyon sa Mga Hindi Teknikal na Tao
• Paggawa ng desisyon
• Mga Puno ng Desisyon
• Pagpapatupad sa isang Mabilis na Paced na Kapaligiran
• Lohikal na pag-iisip
• Pagtugon sa suliranin
• Paggawa nang hiwalay

Komunikasyon

Ang mga siyentipiko ng data ay hindi lamang kailangang pag-aralan ang data, ngunit kailangan din nilang ipaliwanag ang data na iyon sa iba. Dapat silang makapag-usap ng data sa mga tao, ipaliwanag ang kahalagahan ng mga pattern sa data, at magmungkahi ng mga solusyon. Kabilang dito ang nagpapaliwanag ng kumplikadong mga isyu sa teknikal sa isang paraan na madaling maunawaan. Kadalasan, ang data sa pakikipag-usap ay nangangailangan ng visual, oral, at nakasulat na mga kasanayan sa komunikasyon.

• Pagpapatingkad
• Pakikipagtulungan
• Pagsangguni
• Paglinang ng mga Relasyon sa Panloob at Panlabas na Stakeholders
• Serbisyo ng Kostumer
• Pagdokumento
• Pagguhit ng Pinag-uusapan
• Pagpapakilala sa mga Pulong
• Pamumuno
• Mentoring
• Pagtatanghal
• Pamamahala ng Proyekto
• Project Management Methodologies
• Mga Timeline ng Proyekto
• Pagbibigay ng Mga Alituntunin sa IT Professionals
• Pag-uulat
• Mga Kasanayan sa Supervisory
• Pagsasanay
• Pandiwang Komunikasyon
• Pagsusulat

Matematika

Habang malambot na mga kasanayan tulad ng pagtatasa, pagkamalikhain, at komunikasyon ay mahalaga, mahirap kasanayan din kritikal sa trabaho. Ang isang data na siyentipiko ay nangangailangan ng mga kasanayan sa matematika, lalo na sa mga multivariable calculus at linear algebra.

• Algorithm
• Paglikha ng Mga Algorithm
• Mga Sets ng Impormasyon ng Pagkuha ng Impormasyon
• Linear Algebra
• Mga Modelo sa Pag-aaral ng Machine
• Mga Diskarte sa Pag-aaral ng Machine
• Multivariable Calculus
• Istatistika
• Statistical Learning Models
• Statistical Modeling

Programming at Teknikal na Mga Kakayahan

Ang mga siyentipiko ng data ay nangangailangan ng mga pangunahing kasanayan sa computer, ngunit ang mga kasanayan sa programming ay partikular na mahalaga. Ang pagiging ma-code ay kritikal sa halos anumang data ng siyentipikong posisyon. Ang kaalaman sa mga programming language tulad ng Java, R, Python, o SQL ay mahalaga.

• AppEngine
• Amazon Web Services (AWS)
• C ++
• Mga Kasanayan sa Computer
• CouchDB
• js
• ECL
• Sumiklab
• Google Visualization API
• Hadoop
• HBase
• Java
• Matlab
• Microsoft Excel
• Perl
• PowerPoint
• Sawa
• R
• js
• Pag-uulat ng Tool Software
• SAS
• Mga Wika sa Pag-Script
• SQL
• Tableau

Job Outlook para sa Data Scientists

Ayon sa Bureau of Labor Statistics, 27,900 katao ang nagtatrabaho bilang mga siyentipiko sa pananaliksik ng computer at impormasyon sa 2016; ang kanilang panggitna taunang sahod sa 2017 ay $ 114,520. Ang mga pagkakataon sa trabaho sa larangan na ito ay inaasahan na lumago 19 porsiyento ng 2026, mas mabilis kaysa sa average.