雷鋒網(wǎng)按：Kaggle 是互聯(lián)網(wǎng)上最著名的數(shù)據(jù)科學(xué)競賽平臺(tái)之一，用戶數(shù)量超過了100 萬人。最近，這一社區(qū)首次進(jìn)行了機(jī)器學(xué)習(xí)/數(shù)據(jù)科學(xué)現(xiàn)狀調(diào)查，向我們提供了有關(guān)從業(yè)者人群、業(yè)界最新動(dòng)態(tài)以及如何進(jìn)入該行業(yè)的洞見。在超過 16,000 名從業(yè)者的詳盡答卷中，我們可以一窺目前業(yè)內(nèi)的發(fā)展趨勢。

報(bào)告包括以下重點(diǎn)內(nèi)容：

• Python可能是當(dāng)前最常使用的機(jī)器學(xué)習(xí)工具，但更多的統(tǒng)計(jì)學(xué)家仍然用R語言。
  

• 總體來說數(shù)據(jù)科學(xué)家平均年齡在30歲左右，但隨著不同國家這個(gè)具體數(shù)值也在變化，例如，印度的受訪者總體比澳大利亞平均年齡小9歲。

• 受訪者學(xué)歷占比最多的似乎是碩士，但是工資最高的（年薪150K以上）則更多是博士學(xué)位獲得者。

雷鋒網(wǎng)具體為您編譯和解讀報(bào)告內(nèi)容如下：

一、數(shù)據(jù)工作者是什么樣的？

觀察數(shù)據(jù)從業(yè)者的方式有很多，但本文將從人口統(tǒng)計(jì)學(xué)信息也就是數(shù)據(jù)科學(xué)從業(yè)者的工作和背景開始。

• 你的年齡是？

如圖可見，本次調(diào)查對(duì)象的平均年齡大約 30 歲，但這個(gè)值在各個(gè)國家之間有變動(dòng)。中國機(jī)器學(xué)習(xí)從業(yè)者年齡分布較為集中在20-45之間，中位數(shù)年齡非常年輕，在25歲左右，而美國的年齡分布則較為廣泛，從圖表上看起來，不乏百歲長者和稚子。

• 你目前的就業(yè)狀況如何？

受調(diào)查者中，有 65.7% 表示自己有全職工作。但當(dāng)將國籍選定為中國之后，這一數(shù)字的比例下降到53.5%。

• 你的職位是什么？

我們發(fā)現(xiàn)，數(shù)據(jù)科學(xué)領(lǐng)域可涵蓋的工作非常多。比如在伊朗和馬來西亞，數(shù)據(jù)科學(xué)從業(yè)者最流行的工作頭銜是「科學(xué)家或者研究者」。在中國，最流行的頭銜前三位是“機(jī)器學(xué)習(xí)工程師”、“數(shù)據(jù)分析師“以及”數(shù)據(jù)科學(xué)家“。

• 你的全職年薪是多少？

中位數(shù)$55,441，不過由于很多人沒有全職工作，所以這一數(shù)字不見得準(zhǔn)確。

就平均收入來說，美國的機(jī)器學(xué)習(xí)從業(yè)者薪資最高，年薪11萬美元。中國則明顯低于這個(gè)數(shù)字，平均不到$30K.印度則只有$11K,

• 你的最高學(xué)歷是什么？

總體來說，數(shù)據(jù)科學(xué)從業(yè)者中最普遍的學(xué)歷是碩士，但是獲取最高薪水（$150K - $200K 和 $200k+）的那些人多是有著博士學(xué)位。

中國的機(jī)器學(xué)習(xí)從業(yè)者學(xué)歷以本科（39.5%）和碩士（40.5）為主，博士學(xué)歷僅占比11.2%。美國對(duì)應(yīng)的學(xué)歷百分比則分別為26.5%，44.5%，和20.7%。

總體來說，被調(diào)查者的平均水平是數(shù)據(jù)科學(xué)家職稱，30 歲左右，碩士學(xué)歷，年薪$55,000 左右。但實(shí)際情況并不如此平均。這些最初的幾個(gè)人口統(tǒng)計(jì)學(xué)問題只是展示了復(fù)雜的 Kaggle 數(shù)據(jù)科學(xué)社區(qū)在年齡、性別、國籍、工作職稱、薪水、經(jīng)驗(yàn)和學(xué)歷方面的表層差異。

二、數(shù)據(jù)科學(xué)家的工作內(nèi)容是什么？

我們把數(shù)據(jù)科學(xué)家定義為寫代碼以分析數(shù)據(jù)的一群人。他們的日常工作內(nèi)容是什么？以下是我們的調(diào)查結(jié)果。

這一部分的問題受訪者不再以國籍分類， 而是以所在公司規(guī)模、行業(yè)等。

• 工作中你使用什么數(shù)據(jù)科學(xué)方法？

Logistic 回歸是工作之中最為常用的數(shù)據(jù)科學(xué)方法，不過軍事領(lǐng)域和國家安全領(lǐng)域中神經(jīng)網(wǎng)絡(luò)使用則更為頻繁。

總的來說，數(shù)據(jù)科學(xué)中更常見的還是使用經(jīng)典的機(jī)器學(xué)習(xí)算法，簡單的線性與非線性分類器是數(shù)據(jù)科學(xué)中最常見的算法，而功能強(qiáng)大的集成方法也十分受歡迎。我們看到目前神經(jīng)網(wǎng)絡(luò)模型的使用頻率要高于支持向量機(jī)，這可能是近來多層感知機(jī)要比使用帶核函數(shù)的 SVM 更加廣泛的表現(xiàn)。

• 工作中你使用最多的工具語言是什么？

Python 是數(shù)據(jù)科學(xué)家最常用的語言，也是最常用的數(shù)據(jù)分析工具。不過，還有很多數(shù)據(jù)科學(xué)家對(duì)R 語言仍保持著較高忠誠度。

• 在工作中你常用的數(shù)據(jù)類型是什么？

關(guān)系型數(shù)據(jù)是開發(fā)者在工作中最常用的數(shù)據(jù)類型，大多數(shù)產(chǎn)業(yè)工程師都十分關(guān)注。而學(xué)術(shù)研究者和國防安全產(chǎn)業(yè)則更關(guān)注文本與圖像。

• 如何分享工作中的代碼？

超過一半數(shù)據(jù)工作者（58.4%）使用Git分享代碼。不過，大公司的工作者更喜歡將代碼保留在本地，并將代碼用郵件分享。而初創(chuàng)公司可能需要在云中共享以保持更加敏捷的反應(yīng)。

• 工作中遇到的障礙主要是什么？

臟數(shù)據(jù)（dirty data）以占據(jù)接近一半的比例位列第一，臟數(shù)據(jù)（Dirty Read）是指源系統(tǒng)中的數(shù)據(jù)不在給定的范圍內(nèi)或?qū)τ趯?shí)際業(yè)務(wù)毫無意義，也就是說數(shù)據(jù)科學(xué)家一般最常見的困擾就是需要對(duì)數(shù)據(jù)進(jìn)行大量的預(yù)處理工程。

緊隨其后的是“缺乏數(shù)據(jù)科學(xué)天賦”、“缺乏資金和管理支持”“缺乏一個(gè)能明確回答的問題”以及“數(shù)據(jù)不可用或無法獲取”。

值得注意的一點(diǎn)是，當(dāng)調(diào)整公司規(guī)模到中小型企業(yè)，“缺乏資金組建數(shù)據(jù)團(tuán)隊(duì)”這一選項(xiàng)立刻躍居第三。看來資金和人才始終是創(chuàng)業(yè)公司面對(duì)的一大難題。這也意味著新的數(shù)據(jù)科學(xué)家很幸運(yùn)。他們進(jìn)入了一個(gè)搶手的行業(yè)。

三、數(shù)據(jù)科學(xué)家新手如何入行？

尋求新的職業(yè)發(fā)展時(shí)，看看別人的成功秘訣往往很有幫助。我們調(diào)查了在數(shù)據(jù)科學(xué)行業(yè)工作的人們，詢問他們是如何“成功”的。以下是我們覺得較好的幾條建議：

• 你建議數(shù)據(jù)科學(xué)家新手最先學(xué)哪門語言？

每一位數(shù)據(jù)科學(xué)家對(duì)于如何選擇第一門語言都有自己的想法。事實(shí)證明，那些使用 Python 或 R 語言的人們做出了正確的選擇。不過如果你問一下使用過 R 和 Python 的人們，他們推薦 Python 給你的概率可能會(huì)大兩倍。

• 你們使用哪些數(shù)據(jù)科學(xué)學(xué)習(xí)資源？

數(shù)據(jù)科學(xué)是一個(gè)快速變化的領(lǐng)域，有很多有價(jià)值的資源可以幫助你學(xué)習(xí)并保持業(yè)內(nèi)頂尖的位置，從而不斷提升自己的競爭力。已經(jīng)在數(shù)據(jù)科學(xué)領(lǐng)域中工作的人更多使用 Stack Overflow Q&A，Conferences 和 Podcasts，以在這個(gè)新人輩出的行業(yè)保持與時(shí)俱進(jìn)。如果想要發(fā)布內(nèi)容或開源軟件，請(qǐng)記住，剛進(jìn)入這個(gè)領(lǐng)域的人們通常更多使用官方的文檔和觀看 Youtube 視頻。

• 你們在哪里獲取開源數(shù)據(jù)？

沒有數(shù)據(jù)，就沒有數(shù)據(jù)科學(xué)。當(dāng)需要學(xué)習(xí)數(shù)據(jù)科學(xué)技巧的時(shí)候，知道如何找到干凈的開源數(shù)據(jù)集用于練習(xí)和開發(fā)項(xiàng)目相當(dāng)重要。我們很高興的得知，我們的數(shù)據(jù)集聚合器（dataset aggregators）：https://www.kaggle.com/datasets 正發(fā)展為數(shù)據(jù)科學(xué)社區(qū)成員中最頻繁使用的工具。

• 你們怎么找工作，以及怎么找到的？

找工作的時(shí)候你可能會(huì)到公司網(wǎng)站上，或?qū)ふ抑付夹g(shù)方向的招聘信息，但是根據(jù)已經(jīng)在數(shù)據(jù)科學(xué)領(lǐng)域工作的人們的經(jīng)驗(yàn)，這些方式是最差的選擇。而通過建立自己在這個(gè)行業(yè)的關(guān)系網(wǎng)絡(luò)、直接聯(lián)系招聘者或建立自己的網(wǎng)絡(luò)以進(jìn)入這個(gè)領(lǐng)域才是他們的首選。

注：少于 50 名受訪者的組別被合并進(jìn)了「Other」類中。其中一些柱狀圖為了美觀而做了縮放處理，希望查看所有問題和結(jié)果的原始數(shù)據(jù)可訪問源網(wǎng)頁查看。

雷鋒網(wǎng)編譯via Kaggle

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。