作者：蒋迅

Source: Brett Ryder

我过去的一位同事 Ben Lorica 写了一篇文章：“how to nurture data scientists”，使我知道了一个新生的科学家分类：数据科学家 (data scientist)。这家伙以前是搞偏微分方程的。我早就知道他要去搞数据挖掘。看来是真的放弃了数学家的称号而当上了数据科学家了。数据科学家这个词在维基百科上都还没有，它到底是怎么定义的呢？

简单地 Google 了一下 (没有太多可翻阅的文献)，知道了一个大概。用一句话概括地说，数据科学家就是一个综合了软件工程师、统计学家、和说书人这三种专业的技能的，能将金块从像山一样庞大的数据中挖掘出来的专业人士。谷歌 (Google) 的首席经济学家维黎安 (Hal Varian) 预测统计学家将会变得是最热门的工作。如果你仔细地阅读他的原文，你会发现，其实他说的就是数据科学家。他解释说，数据是随处可得，但是将智能从这些数据中萃取的的能力却是极短缺的。下面的一张图比较形像地表现了数据科学家的内涵。

Source: Data Designer

我理解，作为一个数据科学家，你必须能够有以下三个技能：

第一，你必须能够处理具有统计意义的数据 (统计学家)。大量的数据都储存在有理数据库里，MS SQL SERVER，ORACLE，等等。这些数据当然不是国家统计局根据各省市上报的 GDP 得出一个全国的 DGP，或者国务院新闻办发表《中国互联网状况》白皮书说的“中国现有上百万个论坛”，每天人们通过论坛、新闻评论、博客等渠道发表的言论达300多万条 (平均每个论坛每天只有三个帖子)。那么这些数据大到什么程度呢？举几个例子：比如 twitter 帖子总数超过200亿；或者 Google 在一个月里全球访问量达5亿次，还有Google 收集的网页数目 (知道Google 的意思吗？就是10 的100 次方)。所以首先必须会用“Select”去获得你所希望的数据，而且，你面对的已经是数据仓库 (data warehouse)。

第二，你必须能够处理表面上看也许不具有统计意义的数据 (软件工程师)。如果有人在Twitter 上发言说要“到旧金山”，那么华尔街的股市会不会升？或者有人在 Google 网站上敲入“土豆片”，这对“可口可乐”没有有什么影响。这些数据表明上也许是不关联的。但如果你发现买“土豆片”的人通常会买“可口可乐”的话，那你的发现可能具有很大的商业潜力。这就是“数据挖掘”(data mining)。

第三，你必须能够把你的数据表现出来 (说书人)。如果你的结果仍然是一堆数的话，恐怕影响会微乎其微。你必须让你的数据图像化，让它们自己说话。颜色、形状、3D、动态。想尽办法吧。有一个“数据之美”系列可能对你有所帮助。

• 一：50个数据图形化工具 (上)
• 二：50个数据图形化工具 (下)
• 三：25幅令人赞叹的计算机数据图形 (Infographics)
• 四：20个出色的Infographic网站
• 五：美不胜收的数据图 (上)
• 六：美不胜收的数据图 (下)
• 七：Infographics 终极探索
• 八：Twitter上140个最有影响力的人
• 九：50个精美绝伦的Infographics (一)
• 九：50个精美绝伦的Infographics (二)
• 十：关于墨西哥湾石油

软件工程师、统计学家、和说书人这三种专业的技能，缺一不可。我想，将来要求的技能还会更多。如果你想成为一名数据科学家，那么我建议你认真地阅读 Lorica 的文章“如何培养一名数据科学家”。他的文章不仅对於个人有用，对於那些需要数据科学家的企业也有指导意义。我唯一觉得有些缺陷的是，他没有提供培养数据科学家的教育资源。但也许这样的资源本来就是一个零。Lorica现在是欧莱礼 (O'Reilly) 的研究员。难怪他会写关于数据科学家。O'Reilly 刚刚出了一本新书“Beautiful Data”。但是，漂亮的数据不是人为的涂脂抹粉，而是数据科学家们智慧的结晶。

国内对这个新的动向似乎还没有察觉到。希望本文能引起国内科技工作者们对这一新行业的关注。

转载本文请联系原作者获取授权，同时请注明本文来自蒋迅科学网博客。
链接地址：https://blog.sciencenet.cn/blog-420554-351226.html

上一篇：老照片：奇形怪状的古董飞机
下一篇：这闹钟够数学的