什么是數據科學碩士？
乍一看，“數據科學”一詞可能有些令人生畏和困惑。不是所有的科學都使用數據嗎？像許多職業道路一樣，在你仔細研究數據科學之前，很難理解數據科學所涉及的內容。例如，有數據科學背景可以解決什么樣的問題？進入數據科學職業需要哪些技能？為什么要學習數據科學？讓我們探索一下這些問題的答案，以及不斷發展的數據科學領域背后的理論。
面向初學者的數據科學
由于該領域的復雜性，簡單的數據科學定義可能不是很有啟發性。簡而言之，數據科學涉及使用統計分析來研究和分類大量原始數據。排序數據使我們能夠從中汲取意義，并將其轉換為易于理解的圖形圖表，使非技術受眾可以訪問它。
但是，為什么要一開始就對數據進行排序呢？著名知識分子諾姆•喬姆斯基（Noam Chomsky）在談到互聯網研究主題時曾簡潔地描述了這個問題。他指出了使用互聯網進行研究的價值——但前提是你知道自己在尋找什么：
“如果你有一個理解框架，引導你做特定的事情，而把許多其他事情放在一邊——那么這可能是一個有價值的工具。當然，你總是要問自己，'我的框架是正確的嗎？也許你需要不時修改它。
同樣的問題幾乎存在于任何分析職業中，包括作為數據科學家的道路。處理原始數據的挑戰在于，您需要想象力才能將其轉化為比數字本身顯示的更大的東西。數據涉及分析收斂系統，類似于研究經濟學、商業、社會學或心理學。
數據科學家還需要學習使用“非結構化數據”;不容易放入簡單表格的內容。例如，社交媒體帖子或在線客戶評論的內容。因為它不像記錄數字那么簡單，所以它需要你自己開發的洞察力來操作非結構化數據。你需要一些技術和非技術技能來實現這一目標。
數據科學的用途是什么？
互聯網使收集大量信息變得容易。事實上，人類收集和存儲的數據比以往任何時候都多。一項估計表明，每天創建2.5萬億字節的數據，隨著網絡連接到達越來越多的設備，這一增長速度只會加速。
但未經分類的原始數據是毫無意義的信息。獲取和分析數據需要您確定哪些部分是相關的，哪些是不相關的，并且該過程將原始數字轉換為可操作的信息。在實踐中，這可能意味著為營銷公司找到新的方法來接觸受眾，為保險公司創建更準確的保單模型，等等。
數據科學通過許多技術和子領域實現這些目標。例如，數據挖掘涉及在數據中查找模式，以幫助預測未來結果。它是機器學習、統計學和大數據的重疊交集。它可以應用于無數目的，從削減成本到尋找改善客戶關系的新方法。
數據建模涉及找出在數據庫中存儲數據的最合乎邏輯的方式。由于不同的人需要管理和編輯數據，因此數據的相關性可能因用戶而異。您的數據庫可能還需要與其他信息系統進行交互。這種建模對于規劃和與那些從不直接處理數據的人進行溝通至關重要。
另一個需要考慮的因素是，幾乎任何時候存在大量數據，都會隨之而來的是隱私問題。在許多情況下，了解如何存儲和處理大量數據可能很有價值，出于各種安全原因，這可能使數據管理變得特別重要。但是，進入這類職業需要什么樣的技能呢？
數據科學技能
那些計劃進入數據科學領域的人將希望磨練與這條嶄露頭角的職業道路相關的各種硬技能：
• 計算機科學與統計/數據方法論：大多數數據科學職業將取決于計算機科學和統計學的背景。數據科學家使用分類數據方法來定期解決問題。在這個領域工作的人需要學習機器學習和人工智能的基本知識，以及幾種編程語言，如R編程、Python、Apache Spark和SQL數據庫編碼。根據數據，數據科學家可能還需要使用多個應用程序來幫助映射其結果。
• 數據可視化：數據科學職業通常依賴于對數據可視化的學習，因此您可以將數據轉換為非技術受眾可觀的內容。如果您的工作是通過查看大數據來尋找幫助企業的方法，那么這將有助于更好地了解企業的運營方式。如果你正在解釋和建模人類數據，那么更好地了解心理學對你的成功至關重要。
除了硬技能之外，還有許多重要的軟技能，包括天生的好奇心、協作性和對細節的關注。1999年9月，火星氣候軌道飛行器因公制和英制測量系統之間的轉換錯誤而墜毀在火星表面。這些是當大量人員在一個復雜的項目上一起工作時發生的事件，并且團隊中的單個成員誤解了正在發生的事情。
由 8-15 名數據科學家組成的團隊創建單個電子表格或兩個數據科學家團隊處理重疊問題的情況并不少見。當團隊中不同成員的數據驅動交互之間發生溝通不暢時，結果可能對每個人都不利。簡而言之，團隊合作和溝通將是幾乎任何數據科學職業的基本技能。
數據科學課程
在本科階段，準備進入數據科學的人可能會參加以下課程：
• 統計 135.統計的概念
• COMPSCI 186 或 W186。數據庫系統簡介
• COMPSCI 189.機器學習簡介
• STAT 102 數據、推理和決策
• 信息 159.自然語言處理
• 統計 158.實驗的設計與分析
但是，您可以在許多不同類型的程序中獲得這些技能。數據科學課程的重要性在研究生階段變得更加重要。對于高級學位，數據科學課程可能包括：
• ANA 600 分析基礎
• ANA 605 分析模型和數據系統
• ANA 610 用于分析的數據管理
• ANA 615 數據挖掘技術
• ANA 620 連續數據方法，應用
• ANA 625 分類數據方法，應用
• ANA 630 高級分析應用
國立大學獨特的數據科學課程可以通過以下課程進一步專業化您的教育：
• BAN 650 概率金融模型
• BAN 655 分析安全與道德
• ANA 655 數據倉庫設計與開發
• ANH 604 臨床研究分析
• ANH 607 健康結果研究
為什么選擇數據科學？
由于這類職位需要如此多不同水平的專業知識，因此數據科學工作往往具有非常有益的薪水。美國勞工統計局估計，這些職業的平均工資為每年 122，840 美元。Glassdoor提供的數字略低，為每年113，309美元。
一些廣泛的知識和經驗要求使數據科學家的需求量很大。美國勞工統計局還估計，未來十年計算機和信息研究科學家的預期行業增長將達到15%，遠遠高于所有職業的平均水平。這些職位的經驗，尤其是與研究生學位配對時，為職業發展提供了豐富的機會。
撇開財務原因不談，數據科學有很多吸引人的地方。它總是可以提供一個新的和獨特的挑戰來解決。由于幾乎每個行業都在收集數據，數據科學家有機會在各種不同的領域工作，并在離開正規教育后很長時間繼續學習新事物。在好奇心中茁壯成長的人也可能欣賞與其他學術領域的相互聯系。