iT邦幫忙

第 11 屆 iT 邦幫忙鐵人賽

DAY 30
0
Google Developers Machine Learning

透視Google Machine Learning的奧秘系列 第 30

[Day30] 數據分析相關工作之間的差異 & Google Machine Learning鐵人完賽心得

今天是最後一天了,終於可以完賽,回顧這三十天來分享了好多機器學習相關的東西,自己也有許多的收穫,除了分享一下完賽心得,我們今天也來探討一下數據分析相關工作之間的差異

數據分析相關工作

資料科學這門新誕生出來的學問,是過去數據應用的累積,廣義來說資料科學家也包括資料工程師、資料分析師。與資料科學相關的職缺有資料科學家、資料庫工程師、數據分析師、資料工程師等等存在於目前的就業市場。

使用對象

對象是如果目前正從事機器學習、數據分析等相關工作,或著是目前從事其他軟體工程師相關工作,想要跨進資料科學領域的人,都適合拿來參考一下。

Data Roles and Skill Sets

這張圖定義了軟體工程師、資料工程師和資料科學家所具備的技能

Data Roles and Skill Sets

可以看出說不同的職稱所需要具備的能力還是有差別,軟體工程師是這三個工作中存在最古老的,所做的活基本上是寫程式做研發,其中和資料工程師重疊到的是Javascript,通常是做一些網頁等資料視覺化的應用所需要具備的技能,資料工程師和資料科學家重疊的技能是Python、大數據、商業應用、資料分析的部分,基本上對於領域知識的了解和應用都是要知道的,資料庫的部分更是三者都要具備,可見得在資料科學領域不能沒有資料庫的幫助阿!

人才需求條件

而在業界當中對於不同職類的人才需求條件也不太一樣

人才需求條件
人才需求條件

可以看出在資料服務產業當中,軟體工程師、資料工程師和資料分析師是比較容易取得的,對於工作內容與能力要求較低,而再上一層的資料科學家就對於工作內容、學歷與年資就有一定的要求,需要累積一定的實力之後才可以挑戰。

完賽心得

第一次挑戰30天的鐵人馬拉松比賽,確實過得非常充實,每天從找資料、整理消化資料、思考架構到最後撰寫文章都需要花時間與心力,就像在做機器學習過程一樣,爬梳資料、清理消化資料、建立模型和調參數,最後獲得完整的機器學習模型,這過程中有他艱難的地方,把不懂的地方弄懂並理解他,有許多困難需要克服,但是靠著堅持與毅力以及聰明才智,一定可以把它完成,我想我當初在參賽的時候所訂定的目標都有達成,也能夠以學習金字塔的頂端——實作與教學的方式,讓自己快速成長,希望自己在機器學習方面所學未來能夠應用在工作上,也藉由這次的學習分享文章,讓大家來了解資料科學領域以及Google Machine Learning的奧秘。

參考資料與圖片來源


上一篇
[Day29] 機器學習實務——資料科學家的一天
系列文
透視Google Machine Learning的奧秘30

尚未有邦友留言

立即登入留言