数据科学是一个竞争激烈的领域，人们正在迅速学习越来越多的技能和经验。这导致了机器学习工程师的从业要求的直线上升，所有的数据科学家也需要成为开发人员。

为了保持竞争力，一定要为新工具带来的新工作方式做好准备！以下就是2020 年数据科学就业市场必备的五项技能。

1.敏捷开发

敏捷开发是一种组织工作的方法，已经被开发团队大量使用。越来越多的人扮演着数据科学家的角色，他们最初的技能是纯软件开发，这就产生了机器学习工程师这一角色。

越来越多的数据科学家/机器学习工程师被划分为开发人员：他们的工作是不断改进现有的代码库中的机器学习相关的内容。

对于这类角色，数据科学家必须了解基于 Scrum 方法的敏捷工作方式。它为不同的人定义了不同的角色，这种角色定义保证了工作的顺利实施和持续改进。

2.Github

Git 和 Github 是面向开发人员的软件，在管理不同版本的软件时有很大帮助。它们跟踪对代码库所做的所有更改，此外，当多个开发人员同时对同一个项目进行更改时，它们能够真正让协作变得便利。

随着数据科学家的角色变得越来越重要，能够熟练使用这些开发工具也是必备的技能之一。Git 正成为找工作时必备的一项技能，要熟练使用 Git 需要时间。当你一个人或者你的同事都是新手的时候，开始研究 Git 是很容易的，但是当你加入一个 Git 专家团队，只有你一个人是新手的时候，你可能会经历比你想象的多得多的努力才能跟上。

在数据科学领域，我们思考项目的方式也在发生变化。没有变的是，数据科学家仍然是用机器学习来回答商业问题的。但是，随着时间的发展，数据科学项目越来越多地是为生产系统开发的，例如作为大型软件中的微服务。

与此同时，高级模型的 CPU 和 RAM 消耗也越来越大，尤其是在使用神经网络和深度学习时。

就数据科学家的工作而言，不仅要考虑模型的准确性，还要考虑项目的执行时间或其他工业化的方面，后者正变得越来越重要。

4.云与大数据

在机器学习产业化对数据科学家的约束越来越严重，同时，它也成为了数据工程师乃至整个 it 行业的严重约束。

在数据科学家可以致力于减少模型所需时间的情况下，it 人员可以通过更改计算服务来做出贡献，这些服务通常通过以下一种或两种方式获得：

• 云：将计算资源转移到外部供应商，如 AWS、Microsoft Azure 或 Google Cloud，可以很容易地建立一个可以快速从远程访问的机器学习环境。这就要求数据科学家对云功能有一个基本的了解，例如：使用远程服务器而不是自己的计算机，或者使用 Linux 而不是 Windows/Mac。

• 大数据：它使用 Hadoop 和 Spark，这两个工具允许同时在许多计算机上并行处理任务（工作节点）。这要求数据科学家使用不同的方法来实现模型，因为代码必须允许并行执行。

5.NLP、神经网络与深度学习

目前，数据科学家仍然认为 NLP 和图像识别仅仅是数据科学的专业知识，并非所有人都必须掌握。

但是，图像分类和 NLP 的用例越来越频繁，甚至在「常规」业务中也是如此。在目前的情况下，对这类技术没有基本的了解已经没办法适应当前的技术环境了。

即使你的工作中没有此类模型的直接应用程序，在实际操作的项目也很容易找到。这些项目可以让你理解图像和文本项目的基本步骤。