近期的人工智能浪潮延续了近年来我们所见的数据量显著增长趋势。数据让我们更具洞察力，并有助于提升企业、政府与公民的决策过程。但要将数据转化为有价值的信息，我们需要具备管理、分析和提炼洞见能力的专业人士——这正是数据科学技能发挥作用的地方。
数据科学家技能的必要性
全球大数据市场预计将于 2026 年增长至 2,734 亿美元，是 2018 年预期市场规模的两倍多。换言之：大数据是一门大生意。尽管需求不断增长，全球各地的公司仍面临合格数据专业人才短缺的问题。
造成这一短缺的原因之一，是企业难以找到具备合适技能组合的数据科学家。这并不令人意外，因为数据科学家通常需要具备多样的技能，而这些技能很少集中在同一个人身上。因此，数据科学家常被称为“独角兽”。
最重要的数据科学家技能有哪些？这是许多有志成为数据科学家的人，以及希望提升职业前景的在职专业人士所关心的问题。
数据科学家是多面且多才的专业人士。鉴于其职责特性，他们需要兼具技术与领导力等平衡的技能组合。本文将涵盖数据科学行业中最受欢迎的技能，并提供一些可帮助您发展数据科学家所需技能的资源。
数据科学家的技术技能
下面我们概述了数据科学家在行业中脱颖而出所需的一些关键技术技能。
1. Python 技能
Python 是最受欢迎的编程语言之一，在多个流行度指数中名列前茅，例如 TIOBE 指数和 PYPL 指数。
其在全球范围内被广泛采用的原因之一，是其非常适合数据分析任务。尽管最初并非为数据科学而生，但多年来，Python 已逐步发展成为该行业的“王者”。
Python 是许多公司技术栈中的核心支柱。借助功能强大的现成库，如 pandas、NumPy 和 matplotlib，您可以轻松完成各类数据工作，从数据处理和清洗到统计分析与数据可视化。
还值得一提的是 Python 在高级数据科学子领域（包括机器学习与深度学习）中的主导地位。在这里，诸如 scikit-learn、Keras 和 TensorFlow 等流行包与框架，为构建与训练算法提供了所需的“魔法”。
凭借贴近英语的直观语法，Python 也是新手程序员非常适合入门的语言。
提升您的 Python 技能
您可以通过我们的在线课程 Introduction to Python 或 Introduction to Data Science with Python 开启 Python 之旅。
2. R 技能
如果说 Python 是数据科学的王者，那么 R 就是王后。R 诞生于 1992 年，是一种专为统计与计算分析设计的开源编程语言。
R 广泛应用于科学研究与学术界，以及金融与商业等领域，可执行多种类型的数据分析。这主要归功于综合 R 归档网络（CRAN）中丰富的数据科学包生态。
R 的一些热门库，如 tidyr 与 ggplot2，同属 tidyverse，这是 R 中广受欢迎的一组数据科学工具集。
对 R 程序员的需求正在迅速增长。然而，与 Python 用户相比，具备 R 技能的数据科学家数量更为有限。因此，R 程序员是 IT 与数据科学领域中薪资最高的专业人士之一。
提升您的 R 技能
如果您刚踏入数据科学领域，迟早需要学习编程。我们建议先从 R 或 Python 中选一个开始。可先在 Introduction to R 课程中掌握基础，然后进阶至 Intermediate R。接着，在 Introduction to the Tidyverse 中学习一组专用的 R 工具如何帮助您整理解读并可视化数据。
3. 统计与数学技能
开始学习数据科学并不需要数学背景，但如果不熟悉一些数学与统计概念，您的职业发展将难以走得更远。
掌握统计学对于选择与应用不同的数据技术、构建稳健的数据模型以及正确理解所处理的数据至关重要。
除了学校教育中教授的基础数学，您还应投入时间学习微积分、概率、统计与线性代数的基础。如果从事 AI 与机器学习技术，贝叶斯理论也是一项加分项。
提升您的统计与数学技能
先从零代码的 Introduction to Statistics 课程入门，再逐步涉足更高级的概念。DataCamp 提供 70 多门聚焦于统计与概率的课程，您可选择偏好的技术路线并打磨您的统计技巧。
4. SQL 技能
尽管自 60 年代问世以来历经多年，SQL（结构化查询语言）对数据科学家而言依然是必备技能。SQL 是管理与操作关系型数据库的行业标准工具。
关系型数据库允许我们将结构化数据存储在通过公共列相互关联的表格中。世界上大量数据，尤其是企业的自有数据，都存储在关系型数据库中。因此，SQL 是每位数据科学家的必备技能。幸运的是，相较于 Python 和 R，SQL 语法更为直接，学习难度也较低。
提升您的 SQL 技能
通过 Introduction to SQL 开启关系型数据库查询技能之旅，或在 Introduction to Relational Databases in SQL 中学习如何创建自己的数据库。
5. NoSQL 技能
虽然 SQL 是处理按行列存储的结构化数据的完美工具，但面对非结构化数据时，情况会更复杂。如今生成的大多数数据（例如音频、视频、卫星图像、Web 服务器日志）都是非结构化的，难以按照传统的关系型模型进行存储与处理。
为处理不同类型的非结构化数据，出现了其他类型的数据库。所谓的 NoSQL 数据库（Not only SQL）能够处理海量复杂的非结构化数据。NoSQL 数据库的示例包括 MongoDB、Neo4j 与 Cassandra。
提升您的 NoSQL 技能
NoSQL 数据库位于数据科学创新的前沿。通过我们的 NoSQL Concepts 课程，开启这项备受需求的技术学习之旅。
6. 数据可视化技能
数据科学家工作中的关键一环，是传达数据分析的发现。只有当决策者与利益相关方理解分析结论时，数据才能转化为行动。实现这一目标的最有效方法之一就是数据可视化。
数据可视化通过图表、图形与地图等图形化方式呈现数据。这些表达形式让数据科学家能够将数以千计行与列的复杂数据加以概括，并以易于理解与获取的形式呈现。
数据可视化这一子领域发展迅速，心理学、神经科学等学科的研究也在不断推动其进步，帮助数据科学家找到通过视觉传达信息的最佳方式。
用于创建引人入胜可视化的工具很多，包括 Python 的 matplotlib 库、R 的 ggplot2，以及流行的商业智能软件，如 Tableau 与 Power BI。
提升您的数据可视化技能
先从零代码课程 Understanding Data Visualization 入门，或浏览 DataCamp 全部的数据可视化课程。无论是 plotly 还是 Power BI，您都能找到覆盖偏好工具与技术的课程。
7. 机器学习与人工智能技能
机器学习与人工智能是数据科学中最热门的话题之一。机器学习是人工智能的一个分支，专注于开发能够在未被显式编程的情况下学习执行任务的算法。
从 Netflix 推荐到 Instagram 滤镜，机器学习已融入日常生活。机器学习系统的日益普及，带动了对具备机器学习技能的数据科学家的不断增长的需求。2020 年的统计显示，82% 的公司需要具备机器学习技能的人才，而仅有 12% 的公司认为机器学习专业人才供给充足。
提升您的机器学习与人工智能技能
通过我们的 Understanding Machine Learning 课程打好基础，或在 Machine Learning for Business 中了解这项技术如何助力业务提升。关于人工智能，欢迎查看我们的 AI Fundamentals 技能路径和关于如何从零开始学习 AI的文章。
8. 深度学习技能
对机器学习从业者而言，更进一步就是深度学习。深度学习是机器学习的一个子领域，聚焦于强大的算法——人工神经网络，其灵感来自人脑的结构与机能。
近几年人工智能的大多数进展都源于深度学习。神经网络支撑了许多颠覆性、令人赞叹的应用，包括自动驾驶、虚拟助手、图像识别与机器人。
掌握神经网络的理论与实践，正迅速成为企业在招聘或晋升数据科学家时的关键分水岭。然而，必须承认，深度学习学科较为复杂，要求较高水平的数学与编程能力。因此，精通深度学习的数据专业人士，往往位居数据科学行业高薪之列。
提升您的深度学习技能
从最流行的深度学习框架入手学习如何构建神经网络。试试我们的 Deep Learning with Keras 入门与 Introduction to TensorFlow in R 课程。
9. 自然语言处理技能
人类主要通过语言与文本进行交流。因此，我们收集的大量数据也以这种形式呈现。自然语言处理（NLP）是人工智能的一个子领域，专注于从自然语言与文本中提取有意义的信息。
NLP 在数据行业中正迅速崛起。基于机器学习与深度学习的 NLP 技术为搜索引擎、聊天机器人与推荐系统等最常见的应用提供动力。
提升您的 NLP 与机器学习技能
在 Natural Language Processing in Python 技能路径中，探索 Python 如何帮助您从文本中提炼洞见；或通过 Introduction to Natural Language Processing in R 将您的 R 技能更上一层楼。
10. 大数据技能
当需要以高速处理海量复杂数据时，仅依赖 Python 或 R 可能并不够用。大数据生态系统包含了快速发展的工具与技术，旨在以更快、更可扩展且更可靠的方式执行大数据分析。这些任务涵盖从 ETL 流程与数据库管理，到实时数据分析与任务调度。
提升您的大数据技能
通过我们的 Big Data with PySpark 技能路径学习分布式数据管理与计算的基础，或在 Introduction to Airflow in Python 课程中学习如何调度数据工作流。
11. 云计算技能
与大数据生态的演进相伴，基于云的服务正迅速成为许多希望充分挖掘数据基础设施价值的公司的首选。
云计算版图由大型科技公司主导，主要包括 Amazon Web Services、Microsoft、Azure 与 Google Cloud。这些服务商会根据客户的具体情况提供定制化解决方案，并提供众多数据工具，让我们无需离开云端即可开展数据科学工作流。
提升您的 AWS 与云计算技能
通过零代码课程入门：Understanding Cloud Computing 与 AWS Cloud Concepts。接着，在 Introduction to AWS Boto in Python 中学习如何优化您的工作流。
数据科学家的软技能
尽管技术能力是数据科学家技能中的重要组成部分，但若要在行业中取得成功，您还需要具备一些不那么显性的能力。
12. 商业敏锐度
数据本质上是信息。作为人类，我们的身体通过感官不断收集信息。但要理解这些信息，我们需要明白其意义与影响。分析海量数据时同样如此。要从数据中挖掘出有意义的信息，首先需要理解所面对的数据。
除了前面提到的技术技能，数据科学家还应对所处行业或领域（无论是金融、医疗、市场营销或其他）具备扎实的业务理解。领域知识对于理解数据并开展更优的分析至关重要。
13. 沟通能力
数据科学并不只是数学与编程；还关乎呈现与沟通数据分析的洞见。如果人们无法理解分析结果，您作为科学家的工作对公司而言就难以产生价值。
要将数据转化为决策，数据科学家必须具备恰当传达洞见的能力。更进一步，数据科学家应懂得如何围绕数据讲述引人入胜的故事。为此，诸如数据故事叙述等创新沟通方法与框架，能带来显著不同。
14. 数据伦理技能
技术本身是中立的，但其使用并非如此。近年来，某些数据驱动公司因开发出可能对个人与社会造成不利影响的做法与应用而备受关注。这削弱了公众对公司乃至更广泛技术领域的信任与信心。
为确保数据带来积极影响，数据科学家应树立伦理意识。这包括熟悉数据隐私、算法偏见与反馈回路等重要概念，并致力于开发公平、透明且可问责的算法。您或许还需要了解AI 伦理，因为这可能在未来几年成为重大议题。
15. 环境意识
世界正处于前所未有的气候危机之中。气候变化与生物多样性的迅速丧失，正在威胁人类生存的基本条件。尽管常被忽视，数字产业（包括数据科学）仍需要反思其环境影响。
存储与处理海量数据，以及训练机器学习算法需要大量能源，从而增加了大气中的二氧化碳排放。例如，2019 年的估算显示，训练一个大型深度学习模型可能排放超过 626,000 磅二氧化碳当量，接近一辆美国普通汽车整个生命周期（包括制造）排放的 5 倍。此外，数据中心（大多数数据在其中存储与处理）为冷却服务器也会消耗大量水资源。
图表：MIT Technology Review。来源：Strubell 等。
为应对气候危机，数据科学家应意识到其工作以及更广泛数据科学行业对环境的影响。这最终有助于优化与降低能源使用，并推动更可持续的实践。
数据科学家技能——总结
本文涵盖了 15 项最受欢迎的数据科学家技能。学习全部技能可能具有挑战，甚至让人不知所措，尤其当您刚刚开启数据科学之旅时。但无需过度焦虑，拥有如此完整工具箱的数据科学家凤毛麟角。
您应先从一些基础技能入手，包括 Python、R 和/或 SQL，以及部分统计基础，然后再逐步扩展至其他主题。
但接下来该学习哪些数据科学家技能？对此没有标准答案。最有可能的是，您的学习路径将取决于工作要求。比如，如果您在云服务提供商工作，可能需要学习云计算技能。另一方面，如果您的公司专注于机器学习，您也就清楚该如何努力以获得晋升。
最后，如果您只是想提升技能组合，我们的建议很简单：学习您最感兴趣的技能！查看我们的如何成为数据科学家指南，获取更多关于追求这一激动人心职业道路的建议。立即通过我们的 Data Scientist with Python 职业路径开始学习吧。
近期的人工智能浪潮延续了近年来我们所见的数据量显著增长趋势。数据让我们更具洞察力，并有助于提升企业、政府与公民的决策过程。但要将数据转化为有价值的信息，我们需要具备管理、分析和提炼洞见能力的专业人士——这正是数据科学技能发挥作用的地方。
数据科学家技能的必要性
全球大数据市场预计将于 2026 年增长至 2,734 亿美元，是 2018 年预期市场规模的两倍多。换言之：大数据是一门大生意。尽管需求不断增长，全球各地的公司仍面临合格数据专业人才短缺的问题。
造成这一短缺的原因之一，是企业难以找到具备合适技能组合的数据科学家。这并不令人意外，因为数据科学家通常需要具备多样的技能，而这些技能很少集中在同一个人身上。因此，数据科学家常被称为“独角兽”。
最重要的数据科学家技能有哪些？这是许多有志成为数据科学家的人，以及希望提升职业前景的在职专业人士所关心的问题。
数据科学家是多面且多才的专业人士。鉴于其职责特性，他们需要兼具技术与领导力等平衡的技能组合。本文将涵盖数据科学行业中最受欢迎的技能，并提供一些可帮助您发展数据科学家所需技能的资源。
数据科学家的技术技能
下面我们概述了数据科学家在行业中脱颖而出所需的一些关键技术技能。
1. Python 技能
Python 是最受欢迎的编程语言之一，在多个流行度指数中名列前茅，例如 TIOBE 指数和 PYPL 指数。
其在全球范围内被广泛采用的原因之一，是其非常适合数据分析任务。尽管最初并非为数据科学而生，但多年来，Python 已逐步发展成为该行业的“王者”。
Python 是许多公司技术栈中的核心支柱。借助功能强大的现成库，如 pandas、NumPy 和 matplotlib，您可以轻松完成各类数据工作，从数据处理和清洗到统计分析与数据可视化。
还值得一提的是 Python 在高级数据科学子领域（包括机器学习与深度学习）中的主导地位。在这里，诸如 scikit-learn、Keras 和 TensorFlow 等流行包与框架，为构建与训练算法提供了所需的“魔法”。
凭借贴近英语的直观语法，Python 也是新手程序员非常适合入门的语言。
提升您的 Python 技能
您可以通过我们的在线课程 Introduction to Python 或 Introduction to Data Science with Python 开启 Python 之旅。
2. R 技能
如果说 Python 是数据科学的王者，那么 R 就是王后。R 诞生于 1992 年，是一种专为统计与计算分析设计的开源编程语言。
R 广泛应用于科学研究与学术界，以及金融与商业等领域，可执行多种类型的数据分析。这主要归功于综合 R 归档网络（CRAN）中丰富的数据科学包生态。
R 的一些热门库，如 tidyr 与 ggplot2，同属 tidyverse，这是 R 中广受欢迎的一组数据科学工具集。
对 R 程序员的需求正在迅速增长。然而，与 Python 用户相比，具备 R 技能的数据科学家数量更为有限。因此，R 程序员是 IT 与数据科学领域中薪资最高的专业人士之一。
提升您的 R 技能
如果您刚踏入数据科学领域，迟早需要学习编程。我们建议先从 R 或 Python 中选一个开始。可先在 Introduction to R 课程中掌握基础，然后进阶至 Intermediate R。接着，在 Introduction to the Tidyverse 中学习一组专用的 R 工具如何帮助您整理解读并可视化数据。
3. 统计与数学技能
开始学习数据科学并不需要数学背景，但如果不熟悉一些数学与统计概念，您的职业发展将难以走得更远。
掌握统计学对于选择与应用不同的数据技术、构建稳健的数据模型以及正确理解所处理的数据至关重要。
除了学校教育中教授的基础数学，您还应投入时间学习微积分、概率、统计与线性代数的基础。如果从事 AI 与机器学习技术，贝叶斯理论也是一项加分项。
提升您的统计与数学技能
先从零代码的 Introduction to Statistics 课程入门，再逐步涉足更高级的概念。DataCamp 提供 70 多门聚焦于统计与概率的课程，您可选择偏好的技术路线并打磨您的统计技巧。
4. SQL 技能
尽管自 60 年代问世以来历经多年，SQL（结构化查询语言）对数据科学家而言依然是必备技能。SQL 是管理与操作关系型数据库的行业标准工具。
关系型数据库允许我们将结构化数据存储在通过公共列相互关联的表格中。世界上大量数据，尤其是企业的自有数据，都存储在关系型数据库中。因此，SQL 是每位数据科学家的必备技能。幸运的是，相较于 Python 和 R，SQL 语法更为直接，学习难度也较低。
提升您的 SQL 技能
通过 Introduction to SQL 开启关系型数据库查询技能之旅，或在 Introduction to Relational Databases in SQL 中学习如何创建自己的数据库。
5. NoSQL 技能
虽然 SQL 是处理按行列存储的结构化数据的完美工具，但面对非结构化数据时，情况会更复杂。如今生成的大多数数据（例如音频、视频、卫星图像、Web 服务器日志）都是非结构化的，难以按照传统的关系型模型进行存储与处理。
为处理不同类型的非结构化数据，出现了其他类型的数据库。所谓的 NoSQL 数据库（Not only SQL）能够处理海量复杂的非结构化数据。NoSQL 数据库的示例包括 MongoDB、Neo4j 与 Cassandra。
提升您的 NoSQL 技能
NoSQL 数据库位于数据科学创新的前沿。通过我们的 NoSQL Concepts 课程，开启这项备受需求的技术学习之旅。
6. 数据可视化技能
数据科学家工作中的关键一环，是传达数据分析的发现。只有当决策者与利益相关方理解分析结论时，数据才能转化为行动。实现这一目标的最有效方法之一就是数据可视化。
数据可视化通过图表、图形与地图等图形化方式呈现数据。这些表达形式让数据科学家能够将数以千计行与列的复杂数据加以概括，并以易于理解与获取的形式呈现。
数据可视化这一子领域发展迅速，心理学、神经科学等学科的研究也在不断推动其进步，帮助数据科学家找到通过视觉传达信息的最佳方式。
用于创建引人入胜可视化的工具很多，包括 Python 的 matplotlib 库、R 的 ggplot2，以及流行的商业智能软件，如 Tableau 与 Power BI。
提升您的数据可视化技能
先从零代码课程 Understanding Data Visualization 入门，或浏览 DataCamp 全部的数据可视化课程。无论是 plotly 还是 Power BI，您都能找到覆盖偏好工具与技术的课程。
7. 机器学习与人工智能技能
机器学习与人工智能是数据科学中最热门的话题之一。机器学习是人工智能的一个分支，专注于开发能够在未被显式编程的情况下学习执行任务的算法。
从 Netflix 推荐到 Instagram 滤镜，机器学习已融入日常生活。机器学习系统的日益普及，带动了对具备机器学习技能的数据科学家的不断增长的需求。2020 年的统计显示，82% 的公司需要具备机器学习技能的人才，而仅有 12% 的公司认为机器学习专业人才供给充足。
提升您的机器学习与人工智能技能
通过我们的 Understanding Machine Learning 课程打好基础，或在 Machine Learning for Business 中了解这项技术如何助力业务提升。关于人工智能，欢迎查看我们的 AI Fundamentals 技能路径和关于如何从零开始学习 AI的文章。
8. 深度学习技能
对机器学习从业者而言，更进一步就是深度学习。深度学习是机器学习的一个子领域，聚焦于强大的算法——人工神经网络，其灵感来自人脑的结构与机能。
近几年人工智能的大多数进展都源于深度学习。神经网络支撑了许多颠覆性、令人赞叹的应用，包括自动驾驶、虚拟助手、图像识别与机器人。
掌握神经网络的理论与实践，正迅速成为企业在招聘或晋升数据科学家时的关键分水岭。然而，必须承认，深度学习学科较为复杂，要求较高水平的数学与编程能力。因此，精通深度学习的数据专业人士，往往位居数据科学行业高薪之列。
提升您的深度学习技能
从最流行的深度学习框架入手学习如何构建神经网络。试试我们的 Deep Learning with Keras 入门与 Introduction to TensorFlow in R 课程。
9. 自然语言处理技能
人类主要通过语言与文本进行交流。因此，我们收集的大量数据也以这种形式呈现。自然语言处理（NLP）是人工智能的一个子领域，专注于从自然语言与文本中提取有意义的信息。
NLP 在数据行业中正迅速崛起。基于机器学习与深度学习的 NLP 技术为搜索引擎、聊天机器人与推荐系统等最常见的应用提供动力。
提升您的 NLP 与机器学习技能
在 Natural Language Processing in Python 技能路径中，探索 Python 如何帮助您从文本中提炼洞见；或通过 Introduction to Natural Language Processing in R 将您的 R 技能更上一层楼。
10. 大数据技能
当需要以高速处理海量复杂数据时，仅依赖 Python 或 R 可能并不够用。大数据生态系统包含了快速发展的工具与技术，旨在以更快、更可扩展且更可靠的方式执行大数据分析。这些任务涵盖从 ETL 流程与数据库管理，到实时数据分析与任务调度。
提升您的大数据技能
通过我们的 Big Data with PySpark 技能路径学习分布式数据管理与计算的基础，或在 Introduction to Airflow in Python 课程中学习如何调度数据工作流。
11. 云计算技能
与大数据生态的演进相伴，基于云的服务正迅速成为许多希望充分挖掘数据基础设施价值的公司的首选。
云计算版图由大型科技公司主导，主要包括 Amazon Web Services、Microsoft、Azure 与 Google Cloud。这些服务商会根据客户的具体情况提供定制化解决方案，并提供众多数据工具，让我们无需离开云端即可开展数据科学工作流。
提升您的 AWS 与云计算技能
通过零代码课程入门：Understanding Cloud Computing 与 AWS Cloud Concepts。接着，在 Introduction to AWS Boto in Python 中学习如何优化您的工作流。
数据科学家的软技能
尽管技术能力是数据科学家技能中的重要组成部分，但若要在行业中取得成功，您还需要具备一些不那么显性的能力。
12. 商业敏锐度
数据本质上是信息。作为人类，我们的身体通过感官不断收集信息。但要理解这些信息，我们需要明白其意义与影响。分析海量数据时同样如此。要从数据中挖掘出有意义的信息，首先需要理解所面对的数据。
除了前面提到的技术技能，数据科学家还应对所处行业或领域（无论是金融、医疗、市场营销或其他）具备扎实的业务理解。领域知识对于理解数据并开展更优的分析至关重要。
13. 沟通能力
数据科学并不只是数学与编程；还关乎呈现与沟通数据分析的洞见。如果人们无法理解分析结果，您作为科学家的工作对公司而言就难以产生价值。
要将数据转化为决策，数据科学家必须具备恰当传达洞见的能力。更进一步，数据科学家应懂得如何围绕数据讲述引人入胜的故事。为此，诸如数据故事叙述等创新沟通方法与框架，能带来显著不同。
14. 数据伦理技能
技术本身是中立的，但其使用并非如此。近年来，某些数据驱动公司因开发出可能对个人与社会造成不利影响的做法与应用而备受关注。这削弱了公众对公司乃至更广泛技术领域的信任与信心。
为确保数据带来积极影响，数据科学家应树立伦理意识。这包括熟悉数据隐私、算法偏见与反馈回路等重要概念，并致力于开发公平、透明且可问责的算法。您或许还需要了解AI 伦理，因为这可能在未来几年成为重大议题。
15. 环境意识
世界正处于前所未有的气候危机之中。气候变化与生物多样性的迅速丧失，正在威胁人类生存的基本条件。尽管常被忽视，数字产业（包括数据科学）仍需要反思其环境影响。
存储与处理海量数据，以及训练机器学习算法需要大量能源，从而增加了大气中的二氧化碳排放。例如，2019 年的估算显示，训练一个大型深度学习模型可能排放超过 626,000 磅二氧化碳当量，接近一辆美国普通汽车整个生命周期（包括制造）排放的 5 倍。此外，数据中心（大多数数据在其中存储与处理）为冷却服务器也会消耗大量水资源。
图表：MIT Technology Review。来源：Strubell 等。
为应对气候危机，数据科学家应意识到其工作以及更广泛数据科学行业对环境的影响。这最终有助于优化与降低能源使用，并推动更可持续的实践。
数据科学家技能——总结
本文涵盖了 15 项最受欢迎的数据科学家技能。学习全部技能可能具有挑战，甚至让人不知所措，尤其当您刚刚开启数据科学之旅时。但无需过度焦虑，拥有如此完整工具箱的数据科学家凤毛麟角。
您应先从一些基础技能入手，包括 Python、R 和/或 SQL，以及部分统计基础，然后再逐步扩展至其他主题。
但接下来该学习哪些数据科学家技能？对此没有标准答案。最有可能的是，您的学习路径将取决于工作要求。比如，如果您在云服务提供商工作，可能需要学习云计算技能。另一方面，如果您的公司专注于机器学习，您也就清楚该如何努力以获得晋升。
最后，如果您只是想提升技能组合，我们的建议很简单：学习您最感兴趣的技能！查看我们的如何成为数据科学家指南，获取更多关于追求这一激动人心职业道路的建议。立即通过我们的 Data Scientist with Python 职业路径开始学习吧。