⑴ 什麼是數據科學家
數據科學家是指能採用科學方法、運用數據挖掘工具對復雜多量的數字、符號、文字、網址、音頻或視頻等信息進行數字化重現與認識，並能尋找新的數據洞察的工程師或專家(不同於統計學家或分析師)。
一個優秀的數據科學家需要具備的素質有：
懂數據採集、懂數學演算法、懂數學軟體、懂數據分析、懂預測分析、懂市場應用、懂決策分析等。
⑵ 數據科學家需要具備什麼能力
數學功底：微積分是嚴格要掌握的。不一定要掌握多元微積分，但一元微積分是必須要熟練掌握並使用的。另外線性代數一定要精通，特別是矩陣的運算、向量空間、秩等概念。當前機器學習框架中很多計算都需要用到矩陣的乘法、轉置或是求逆。雖然很多框架都直接提供了這樣的工具，但我們至少要了解內部的原型原理，比如如何高效判斷一個矩陣是否存在逆矩陣並如何計算等。
數理統計：概率論和各種統計學方法要做到基本掌握，比如貝葉斯概率如何計算？概率分布是怎麼回事？雖不要求精通，但對相關背景和術語一定要了解。
互動式數據分析框架：這里並不是指SQL或資料庫查詢，而是像Apache Hive或Apache Kylin這樣的分析交互框架。開源社區中有很多這樣類似的框架，可以使用傳統的數據分析方式對大數據進行數據分析或數據挖掘。筆者有過使用經驗的是Hive和Kylin。不過Hive特別是Hive1是基於MapRece的，性能並非特別出色，而Kylin採用數據立方體的概念結合星型模型，可以做到很低延時的分析速度，況且Kylin是第一個研發團隊主力是中國人的Apache孵化項目，因此日益受到廣泛的關注。
機器學習框架：機器學習當前真是火爆宇宙了，人人都提機器學習和AI，但筆者一直認為機器學習恰似幾年前的雲計算一樣，目前雖然火爆，但沒有實際的落地項目，可能還需要幾年的時間才能逐漸成熟。不過在現在就開始儲備機器學習的知識總是沒有壞處的。說到機器學習的框架，大家耳熟能詳的有很多種, 信手拈來的就包括TensorFlow、Caffe8、Keras9、CNTK10、Torch711等，其中又以TensorFlow領銜。筆者當前建議大家選取其中的一個框架進行學習，但以我對這些框架的了解，這些框架大多很方便地封裝了各種機器學習演算法提供給用戶使用，但對於底層演算法的了解其實並沒有太多可學習之處。因此筆者還是建議可以從機器學習演算法的原理來進行學習。
⑶ 數據科學家是什麼
數據科學家是數據科學的編程與實現，數據科學理論和數據的商業影響之間的橋梁，年薪一般在60W以上。理論基礎：統計、大數據、數據挖掘、機器學習和商業智能軟體要求：必要Excel、SQL;可選R、Python、SAS、Hadoop等業務分析能力帶領數據團隊，能夠將企業的數據資產進行有效的整合和管理，建立內外部數據的連接;熟悉數據倉庫的構造理論，可以指導ETL工程師業務工作;可以面向數據挖掘運用主題構造數據集市;在人和數據之間建立有機聯系，面向用戶數據創造不同特性的產品和系統;具有數據規劃的能力。結果展現能力帶領數據團隊，能夠將企業的數據資產進行有效的整合和管理，建立內外部數據的連接;熟悉數據倉庫的構造理論，可以指導ETL工程師業務工作;可以面向數據挖掘運用主題構造數據集市;在人和數據之間建立有機聯系，面向用戶數據創造不同特性的產品和系統;具有數據規劃的能力。