在这种技术驱动的经济中，每个就业部门都在转型，数据科学也不例外。对于那些从事数据科学的人，我们有一些好消息：对数据分析师的需求正在快速增长，预计2020年将成为这一领域创新技术的一年。
2019年，与其他科技专业人士相比，数据分析师的需求呈指数级增长。正如这些数据所表明的，成为一名数据分析师是最酷的工作，技能发展是每个专业人士的最佳选择。
2019年，与其他科技专业人士相比，数据分析师的需求呈指数级增长。
对数据科学领域的人来说，重新编程和升级是保持领先于游戏并变得具有竞争力的关键。同时，随着行业的发展，充分准备和学习开发者工具对数据科学家至关重要。作为 Galvanize 的主要数据分析师，我想说的是：采用不同的工作方法，并学习正确的工具，以准备未来数据科学的变化。
在我们开始之前，想想这个问题：作为一名数据分析师，我目前的技能是什么？2020年我需要关注哪些领域才能变得更好？让我们回顾一下在2020年成为数据分析师所需要的上手技能。
现实情况是：作为一名数据分析师，你需要广泛的核心技能领域的知识，包括 machinelearning 和 deeplearning。从 PyTorch 到 TensorFlow 和 Keras ；您需要这些工具来成为行业专家推荐的顶级数据科学家。我们还应该期待在2020年发布新的 ML 和 DL 版本，这也将主导训练程序。PyTorch 在2019年变得广泛，分析师预测， TensorFlow 2.0版本将会有更多的进步，这被认为是每个数据分析师必备的工具。底线是你需要对这些工具/版本有一个上手的理解，才能在2020年的时候开始运行。
作为一名数据分析师，您需要有关机器学习和深度学习技能的广泛知识，因为这些是本专业的核心领域
自然语言处理随着新技术的发展，帮助公司从这一创新中获得价值。包括变压器和双向测序在内的进步是数据分析师使用的一些最新模型，因为它们对 NLP 模型具有成本效益。BERT 是使用预先训练的模型的另一个例子，因此为数据分析师节省了时间，这使得它成为2020年的首要任务。
其他预先训练的 NLP 模型的例子数据分析师应该考虑包括 GPT-2和 ELMo ，通常用于行业，并提供令人印象深刻的结果。企业组织正转向 NLP ，以满足客户服务需求，以提高他们的竞争力，同时协助他们预测市场趋势。根据 HIS Markit 的数据，在语音技术方面的投资也在加速增长，新的 NLP 服务提供商也出现了增长；我们可以清楚地看到，数据分析师需要在 NLP 年进行培训。
组织从统计分析中受益，因为数据分析师会对其进行修改，以绘制模式，并为战略管理目的生成结果。数据驱动的公司在从数据集中挖掘出的巨大信息中发现了统计价值。由于在这个技术时代经历了激烈的竞争，组织在运作中别无选择，只能理解和采用统计方法。
公司对信息和趋势的分析依赖于统计数据，并表明这一技能对每个数据分析师的重要性。有时，它会很难解码数据模式，通过统计知识，数据分析师可以检测错误并通过测试算法进行校正。
鉴于在这个技术时代所经历的竞争范围，各组织在其业务中除了了解和采用统计方法外别无选择。
作为一名数据分析师，您需要每天了解您的期望，例如采购、清洁和数据组织，所有这些都需要编程语言，例如 Python 和 R 。目前有许多编程语言在行业中使用，并取决于数据分析师的兴趣领域。
然而，大多数情况下， Python 和 R 根据 ZDnet 命令50%的使用率，因此每个数据分析师都应该注意这两种语言。你也可以选择其他语言，包括 Java ， SQL 和 MATLAB ，但正如我所提到的，这一切都取决于你当前的焦点和你所采取的方向。
在生产阶段部署数据科学项目时， MLOps 是最好的数据工程。机器学习的工具，如 AutoML ，由于在周期中的工作效率，用户采用了这些工具，从而在2019年提高了它们的知名度。同样的情况也适用于 Airflow ， Kubelow 和 MLFlow ，所有这些都在主流中被采用。数据分析师需要这些工具来标注、测试和部署原因，分析人士预测，2020年需求将会增长。
考虑到建模成本每年都在降低，我们可以看到，由于在生产阶段快速部署，这些工具的采用将会继续下去。在2020年，您将需要了解这些工具，因为您可以处理构建、测试、部署和监视模型等任务。
您想要一个更简单的管理软件版本的方法吗？考虑到其映射代码中实现的调整的能力，以及与执行同一项目的不同开发人员进行协调的简单性， Git 是最佳选择。随着开发者工具时代的到来， GitHub 是数据科学家最喜欢的平台之一，而如今，像 Gitlab 这样的替代工具越来越受欢迎。每个数据分析师都使用开发者工具， Git 是工作流程的重要组成部分。
另一方面，敏捷工作系统包括开发者团队通常使用的工作安排，并且考虑到每个数据分析师都参与软件开发，这使得机器学习专家的工作更加容易和高效。ML 工程师和数据分析师的工作时间为开发人员，通过敏捷工作流和 sprint ，他们可以以最好的方式优化他们的代码库元素。因此，数据分析师应该根据 scrum 方法理解敏捷工作模式以获得最佳结果。
ML 工程师和数据分析师工作于开发人员，通过敏捷工具，他们可以以最好的方式优化他们的代码库元素
大数据无处不在，每个数据分析师都需要在清理、排序和管理结构化和非结构化数据集方面的知识。此外，数据分析师依靠编程和数据处理技能来处理大量的数据样本。为此，数据分析师利用这些大数据方法研究和挖掘企业组织决策所需的信息。数据分析师需要对大数据有很好的理解，才能检索信息，监督其管理和上下文分析。
大多数情况下， Hadoop 和 Spark 通常也用于数据准备、分发和处理。值得一提的是， Hadoop 继续在数据分析师中流行，无论是在 Cloudera 采集之前还是之后，因为它在实时中处理数据的能力。最后，您需要熟悉数据角色，如探索、过滤和采样。
我们不能在没有提到云技术的情况下用尽我们的技能列表，这使得机器学习工程师很容易为他们的工作流开发一个理想的环境。例如，使用包括 Google Cloud 、 Microsoft Azure 和 AWS 在内的平台对于机器学习专家来说至关重要，因为可以轻松地远程工作。因此，数据分析师应该了解云技术的功能，以便最大限度地提高工作输出。
交流对于任何期待向观众解释发现的数据分析师来说都是至关重要的，这也是数据可视化所需要的。例如，数据分析师必须理解可视化编码，然后才能传输信息，因为它们对有技术背景的受众和非技术背景的受众很重要。获取这些技能对于数据分析师了解他们的工作并确保听众理解如何在他们的上下文中应用这些技能非常重要。
数据可视化例子
或者，数据处理围绕着检测和解决数据集中存在的错误进行，数据分析师应该通过解决内部错误（这些错误常常会破坏模型的准确性）来推进这些错误。例如，在大多数情况下，腐败信息普遍存在，在不解决这些漏洞的情况下，结果将不会达到准确阈值。
这就是数据争论的开始，当2020年开始时，你应该意识到这个技能，使你的工作顺利进行。此外，数据处理技术确保数据分析师准确地对信息进行排序，从而获得更好的输出。技术熟练和非技术数据分析师之间的区别在于数据处理和将数据应用于分析。
2020年将是数据科学领域的一个定义年，新的工具即将问世；很明显，你不能适应当前的技能。
是的，我们知道 Python 、 R 和 SQL 对于数据科学家来说是重要的编程语言，但是随着当前的行业转型，开发这些技能是必不可少的。正如人工智能和未来工作的进展一样，我们只能想象等待数据分析师的好处，如果他们获得了我们讨论过的技能。作为一名数据分析师，你准备好2020年了吗？一切都归结于学习新的开发者工具，并将它们应用到您的工作环境中。
作为2020年的数据分析师，你有必要的上手技能吗？
本文由未艾信息（www.weainfo.net）编译，
也可以关注我们的公众号：为AI呐喊
关注微信
