编者按：数据科学技术现在非常火，但是要在数据科学领域找到好工作，也要有拿得出手的真本事，不是泛泛学了一些基础技术就可以的，尤其是像NLP和推荐这样的细分方向。看看本文的10大实用技术介绍，也许对你有帮助。本文来自编译。

Photo by?

许多关于“如何学习数据科学”的课程和文章（包括我自己写的那些），都倾向于强调统计学、数学和编程等这些基本技术。然而通过自己的亲身体验我发现，光掌握这些基本技术对就业不一定有多少帮助。

因此，我想创建一个独特的实用技术清单，帮助增强你的就业竞争力。

对任何数据科学家来说，不管你主修的专业是什么，这个清单里的前四项技术都是绝对关键必须掌握的，后面的6项技能（5-10）也很重要，但根据你的专业，侧重点会有所不同。

例如，如果你统计学基础最好，你可能会花更多的时间在学习推理统计上。如果你对文本分析更感兴趣，你可能会花更多时间学习NLP，或者如果你对决策科学感兴趣，你可能会专注于研究解释模型。术业有专攻，你明白了吧。

下面就来具体了解一下这10种数据科学技术吧，我认为它们对于就业是最实用的。

如果你学会了编写强大的SQL查询语句，并能够在像 Airflow 这样的工作流管理平台上合理调度它们，这将有助于你成为非常优秀的数据科学家，因此我把这项技术放在首要位置。

原因如下：

1.灵活性：公司喜欢的数据科学家不仅能做数据建模，它们最喜欢的是全栈数据科学家。如果你能够参与和帮助建立核心数据管道，你将能够通过收集数据和分析数据得到更深入的洞察，做出更出色的报告，由此可能会改善人们的生活状态。

2.独立性：在某些情况下，你需要为一个模型或数据科学项目提供表格或视图。如果你能够为你的项目编写强大的数据管道，而不需要依赖数据分析师或数据工程师，将大大节省时间，同时也更加体现出你的价值。

因此，要成为一个数据科学家，你首先必须是SQL专家，没有任何例外。

无论是建立模型，探索新的功能构建，还是进行深度挖掘，你都需要知道如何处理数据。

数据整理意味着将你的数据从一种格式转换为另一种格式。

特征工程是数据整理的一种形式，具体指从原始数据中提取特征。

你是如何处理数据的并不重要，无论使用Python还是SQL都可以，但你应该能够以你喜欢的方式处理数据（当然是在可能的范围内）。

当我提到“版本控制”时，我具体指的是GitHub和Git。Git是世界上使用最多的版本控制系统，而GitHub本质上是一个基于云端的文件和文件夹仓库。

虽然Git对于数据科学来说并非最直观的技能，但对于几乎所有与编码有关的角色来说，它都是必不可少的。为什么呢？

• 使用它你可以很方便地与他人合作，在项目上并行工作

• 它可以追踪到你代码的所有版本（以防你需要恢复到旧版本）

所以花点时间学习 Git吧，它将使你走得更远。

构建一个视觉效果上令人惊叹的仪表盘或一个复杂的、准确率超过95%的数据模型当然是很棒的成就，但是如果你不能把你项目的价值准确地传达给别人，你就不会得到应得的认可，最终，你无法在职业生涯中取得本应有的成功。

讲故事是指“如何”跟别人表达你的见解和模型。从概念上讲，如果我们用一本图画书做比喻，见解/模型就好比是书里的一张张图片，而“讲故事”则是串联起所有这些图片的叙述。

在科技界，讲故事和沟通是被严重低估的技能。从我的职业生涯来看，这种技能水平的高低，也代表着初级员工与资深员工和管理者之间的差距。

你要能够构建回归和分类模型，即预测模型，也许这些并不是你一直在做的事情，但如果你是一个数据科学家，雇主会希望你也能够承担起来。

即使这些事情你并不会经常做，你也必须精通，因为需要建立高效能的模型。在我迄今为止的职业生涯中，我只做过两个机器学习模型的产品化，但它们对业务的影响至关重要，是非常关键的任务模型。

因此你应该对数据预处理、增强算法、超参数调优和模型评估指标有充分的了解。