Думаю, фундаментальные вещи, актуальные сейчас и лежащие на поверхности, будут актуальны всегда:
- Алгоритмы машинного обучения и нейронные сети. Даже если деятельность не связана с этим, придётся читать статьи, общаться с коллегами, которые работают с моделями. Где большие данные, там и эти вещи. Необходимо понимать, о чём идёт речь, уметь предлагать идеи. Стоит хотя бы воспроизвести подходы из туториалов, в идеале - сделать это самому с нуля на нескольких датасетах. Это понимание точно пригодится. Также желательно знать преимущества и недостатки существующих подходов, а также качество их работы.
- Математический аппарат. Математический анализ, статистика, теория вероятностей, линейная алгебра - необходимый минимум. Не обязательно уметь решать сложные задачи из учебников по этим разделам. На языке математики описываются методы и алгоритмы (в т.ч. из описанного выше пункта). Он позволяет сделать это кратко, однозначно и лаконично. Необходимо понимать этот язык, уметь его использовать. Иначе множество материалов, доступное для освоения, резко сужается.
- Краудсорсинг. Возможно, не самый популярный сейчас инструмент в наборе специалиста по анализу данных, но крайне важный. Со временем он будет становиться более востребованным. Иногда приходится сталкиваться с большими неразмеченными данными, и краудсорсинг - дешёвый и быстрый способ для их разметки. Не будет лишним знать, где и как его можно использовать. Есть несколько популярных краудсорсинговых платформ (например, Toloka, Mechanical Turk) с готовыми решениями, стоит ознакомиться с ними.
- Экспертиза в предметной области. Физика, медицина, экономика, социология и т.п. Понимание сферы, из которой пришли данные, даёт преимущество при работе с ними. Всё в мире освоить не получится, но экспертиза в какой-то сфере вкупе с DataSceince позволяет добиться бо́льших результатов.
1 эксперт согласен
Даниил дал подробный и развёрнутый ответ. Дополню его некоторыми уточнениями о меня.
Какие именно навыки Data Science Вам понадобится, во многом зависят от сферы применения навыков. Для каждой работы они свои. Моё субъективное... Читать далее
Со всем уважением к другим ответам, - я бы сказал, что самый полезный навык - центральный в DATASCIENCE - умение работать с выборками из генеральной совокупности данных.
То есть (1) умение находить репрезентативную выборку... Читать далее
Спасибо за ответ. Важный вопрос. Вернее два в одном. Почему генерить гипотезы нужно на основе мат.модели, а на... Читать дальше