什么是数据科学硕士？
乍一看，“数据科学”一词可能有些令人生畏和困惑。不是所有的科学都使用数据吗？像许多职业道路一样，在你仔细研究数据科学之前，很难理解数据科学所涉及的内容。例如，有数据科学背景可以解决什么样的问题？进入数据科学职业需要哪些技能？为什么要学习数据科学？让我们探索一下这些问题的答案，以及不断发展的数据科学领域背后的理论。

面向初学者的数据科学
由于该领域的复杂性，简单的数据科学定义可能不是很有启发性。简而言之，数据科学涉及使用统计分析来研究和分类大量原始数据。排序数据使我们能够从中汲取意义，并将其转换为易于理解的图形图表，使非技术受众可以访问它。
但是，为什么要一开始就对数据进行排序呢？著名知识分子诺姆•乔姆斯基（Noam Chomsky）在谈到互联网研究主题时曾简洁地描述了这个问题。他指出了使用互联网进行研究的价值——但前提是你知道自己在寻找什么：
“如果你有一个理解框架，引导你做特定的事情，而把许多其他事情放在一边——那么这可能是一个有价值的工具。当然，你总是要问自己，'我的框架是正确的吗？也许你需要不时修改它。
同样的问题几乎存在于任何分析职业中，包括作为数据科学家的道路。处理原始数据的挑战在于，您需要想象力才能将其转化为比数字本身显示的更大的东西。数据涉及分析收敛系统，类似于研究经济学、商业、社会学或心理学。
数据科学家还需要学习使用“非结构化数据”;不容易放入简单表格的内容。例如，社交媒体帖子或在线客户评论的内容。因为它不像记录数字那么简单，所以它需要你自己开发的洞察力来操作非结构化数据。你需要一些技术和非技术技能来实现这一目标。

数据科学的用途是什么？
互联网使收集大量信息变得容易。事实上，人类收集和存储的数据比以往任何时候都多。一项估计表明，每天创建2.5万亿字节的数据，随着网络连接到达越来越多的设备，这一增长速度只会加速。
但未经分类的原始数据是毫无意义的信息。获取和分析数据需要您确定哪些部分是相关的，哪些是不相关的，并且该过程将原始数字转换为可操作的信息。在实践中，这可能意味着为营销公司找到新的方法来接触受众，为保险公司创建更准确的保单模型，等等。
数据科学通过许多技术和子领域实现这些目标。例如，数据挖掘涉及在数据中查找模式，以帮助预测未来结果。它是机器学习、统计学和大数据的重叠交集。它可以应用于无数目的，从削减成本到寻找改善客户关系的新方法。
数据建模涉及找出在数据库中存储数据的最合乎逻辑的方式。由于不同的人需要管理和编辑数据，因此数据的相关性可能因用户而异。您的数据库可能还需要与其他信息系统进行交互。这种建模对于规划和与那些从不直接处理数据的人进行沟通至关重要。
另一个需要考虑的因素是，几乎任何时候存在大量数据，都会随之而来的是隐私问题。在许多情况下，了解如何存储和处理大量数据可能很有价值，出于各种安全原因，这可能使数据管理变得特别重要。但是，进入这类职业需要什么样的技能呢？

数据科学技能
那些计划进入数据科学领域的人将希望磨练与这条崭露头角的职业道路相关的各种硬技能：
• 计算机科学与统计/数据方法论：大多数数据科学职业将取决于计算机科学和统计学的背景。数据科学家使用分类数据方法来定期解决问题。在这个领域工作的人需要学习机器学习和人工智能的基本知识，以及几种编程语言，如R编程、Python、Apache Spark和SQL数据库编码。根据数据，数据科学家可能还需要使用多个应用程序来帮助映射其结果。
• 数据可视化：数据科学职业通常依赖于对数据可视化的学习，因此您可以将数据转换为非技术受众可观的内容。如果您的工作是通过查看大数据来寻找帮助企业的方法，那么这将有助于更好地了解企业的运营方式。如果你正在解释和建模人类数据，那么更好地了解心理学对你的成功至关重要。
除了硬技能之外，还有许多重要的软技能，包括天生的好奇心、协作性和对细节的关注。1999年9月，火星气候轨道飞行器因公制和英制测量系统之间的转换错误而坠毁在火星表面。这些是当大量人员在一个复杂的项目上一起工作时发生的事件，并且团队中的单个成员误解了正在发生的事情。
由 8-15 名数据科学家组成的团队创建单个电子表格或两个数据科学家团队处理重叠问题的情况并不少见。当团队中不同成员的数据驱动交互之间发生沟通不畅时，结果可能对每个人都不利。简而言之，团队合作和沟通将是几乎任何数据科学职业的基本技能。

数据科学课程
在本科阶段，准备进入数据科学的人可能会参加以下课程：
• 统计 135.统计的概念
• COMPSCI 186 或 W186。数据库系统简介
• COMPSCI 189.机器学习简介
• STAT 102 数据、推理和决策
• 信息 159.自然语言处理
• 统计 158.实验的设计与分析
但是，您可以在许多不同类型的程序中获得这些技能。数据科学课程的重要性在研究生阶段变得更加重要。对于高级学位，数据科学课程可能包括：
• ANA 600 分析基础
• ANA 605 分析模型和数据系统
• ANA 610 用于分析的数据管理
• ANA 615 数据挖掘技术
• ANA 620 连续数据方法，应用
• ANA 625 分类数据方法，应用
• ANA 630 高级分析应用
国立大学独特的数据科学课程可以通过以下课程进一步专业化您的教育：
• BAN 650 概率金融模型
• BAN 655 分析安全与道德
• ANA 655 数据仓库设计与开发
• ANH 604 临床研究分析
• ANH 607 健康结果研究

为什么选择数据科学？
由于这类职位需要如此多不同水平的专业知识，因此数据科学工作往往具有非常有益的薪水。美国劳工统计局估计，这些职业的平均工资为每年 122，840 美元。Glassdoor提供的数字略低，为每年113，309美元。
一些广泛的知识和经验要求使数据科学家的需求量很大。美国劳工统计局还估计，未来十年计算机和信息研究科学家的预期行业增长将达到15%，远远高于所有职业的平均水平。这些职位的经验，尤其是与研究生学位配对时，为职业发展提供了丰富的机会。
撇开财务原因不谈，数据科学有很多吸引人的地方。它总是可以提供一个新的和独特的挑战来解决。由于几乎每个行业都在收集数据，数据科学家有机会在各种不同的领域工作，并在离开正规教育后很长时间继续学习新事物。在好奇心中茁壮成长的人也可能欣赏与其他学术领域的相互联系。