数据分析专业申请你需要做哪些准备呢？

  作为Linkein上增长最快的工作，数据科学的前景可谓是非常可观，预计到2026年将创造1150万岗位。

  除此之外，数据科学也是收入最高的行业之一，根据Glassoor网站统计，数据科学家的平均年薪高达$113K。

    又多金、岗位需求又大的神仙职业，今天就带大家了解一下申请这个专业需要做哪些准备呢？

岗位需求

虽然名字叫“数据科学家”，但是你别被名字吓倒，实际上，数据科学家囊括了好几类职业——

Business Analyst(BA)

   在数据行业，最基础的职位就是Business Analyst(BA)。需要注意的是，在真正的招聘过程中，Business Analyst 可能会按照Data Analyst的Title来招。这类岗位一般只要有基础的数学能力，Excel能力，和基本的Business Scene，就有希望拿到面试。

        

Data Analyst(DA)

   Data Analyst(DA)与BA相比之下，显得更Technical一点，需要掌握SQL，有统计方面的知识，以及会做一些简单的模型，比如线性模型，回归模型等。

Data Scientist(DS)

  如果想再更进一步，去做Data Scientist(DS)的岗位，除了掌握Data Analyst的技能，还需要掌握Python，Machine Learning，以及足够的编程技能。

Research Scientist，MLE

   如果有PHD学位，精通Research，或者很强的工程实践能力，我们也可以考虑更上一层楼，去做Research Scientist，或者做Machine Learning Engineer(MLE)也是不错的选择。

技能掌握

统计学知识

   统计学是数据分析必须掌握的基础知识。在具体工作中，寻找指标之间的相关性、设计ab测试、显著性检验、结果分析、预测建模等都需要一定的统计学知识。

  面试的时候，面试官一般会考察“什么是p－value 、什么是假设检验、什么type 1/2 error、怎么解决违背了假设的问题、怎么看模型好不好、怎么test假设有没有满足”等问题通常是考察的重点。

统计学知识

   对于想要从事数据科学工作的同学来说，机器学习是必学的学科。

  工作面试当中最重要的环节就是，通过情景或者白板问答的方式考察申请者对于机器学习算法的理论及应用的了解。

为了能够快速培养这方面的能力，最好的准备方式就是在学习理论知识的同时，通过课外的Project或者作业锻炼自己，手动实现算法/建立机器学习训练Workflow的能力。

深度学习

  深度学习（Deep Learning）是机器学习中的一个分支方法。一般特指学习高层数的网络结构。

   Deep Learning目前非常流行，因为他们在图像，视觉，语音等各种应用中表现出了很好的Empirical Performance。并且在模型相当复杂，数据特别大量的情况下，依然可以达到很理想的学习速度。

算法工程师面试时，经常会通过以下几个方面来考察深度学习的相关知识点：

1、利用numpy从零搭建一个神经网络

2、手写一个单隐层的神经网络

3、熟练掌握NLP，CV等常见应用

4、手动搭建深度神经网络（DNN）

面试准备

  从招聘现状来看，大量的申请者涌入市场，且面试候选人的背景竞争力越来越强，如果你对数据科学家的岗位感兴趣，确实需要好好准备。

  但公司招人的优先级基本上是统一的：经验>学历>潜力。

  一般来说，公司是非常希望直接招到能Match到具有公司所需相关项目经验的求职者的。这样公司不要花精力培训，即使是竞争者的其他背景更强，但面试官还是会更加倾向于经验的。

  如果没有相关经历，学历就是下一步衡量的对象。如果对应的学历很好，包括在校课程、Research、实习等成绩很好，也能表明求职者在相关领域有足够的知识储备，可以很快上手。

  但如果学历上也不够，剩下的就只能看潜力，公司会希望能从过往的经历中看出求职者对数据行业的热情，以及是否有很强的学习能力。

  鉴于数据科学是跨学科的，跟商业等诸多领域都有交集，在真实的工作场景中，与其他团队合作，向上汇报展示都是基本操作。因此，对于数据分析的基础知识了解与实践、是否有足够的商业嗅觉、是否有讲故事的能力等，也是面试官看重的重点技能之一。

   更多信息请联系金吉列留学萧老师~