'; return "";

8 kỹ năng để trở thành nhà khoa học dữ liệu

Thứ sáu - 27/09/2019 14:04 20 0
Một nhà khoa học dữ liệu cần có kỹ năng tư duy phản biện, thống kê, lập trình, kiến thức về Học máy, Học sâu và AI...

Nhà khoa học dữ liệu là người thực hiện thu thập, phân tích dữ liệu và đưa ra kết quả phân tích kèm theo những giải thích về tính ứng dụng cho kết quả trong thực tế. Kết quả phân tích được sử dụng để đưa ra quyết định quan trọng cho doanh nghiệp, có thể ảnh hưởng đến sự tăng trưởng và giúp giành lợi thế cạnh tranh trên thị trường.

Trước khi xem xét những kỹ năng cần thiết của một nhà khoa học dữ liệu, chúng ta cần biết chính xác một nhà khoa học dữ liệu làm gì, vai trò và trách nhiệm của họ như thế nào.

Nhà khoa học dữ liệu sẽ thực hiện:

1. Xác định chính xác bộ dữ liệu và các biến liên quan

2. Xác định các vấn đề phân tích dữ liệu thách thức nhất

3. Thu thập và tập hợp dữ liệu có cấu trúc và không cấu trúc từ các nguồn khác nhau

4. Làm sạch và xác nhận dữ liệu đảm bảo tính chính xác, đầy đủ và thống nhất

5. Xây dựng và áp dụng các mô hình và thuật toán để khai thác dữ liệu

6. Phân tích dữ liệu để tìm ra các mẫu hình (pattern) và xu hướng

7. Giải thích dữ liệu để tìm giải pháp

8. Truyền đạt kết quả cho các bên liên quan bằng cách sử dụng các công cụ trực quan hóa

Được Harvard Business Review đánh giá là nghề hấp dẫn nhất trong thế kỷ 21, Nhà khoa học dữ liệu (Data scientist) là nghề nghiệp mà nhiều bạn trẻ đang quan tâm và muốn theo học.

Được Harvard Business Review đánh giá là nghề hấp dẫn nhất trong thế kỷ 21, Nhà khoa học dữ liệu (Data scientist) là nghề nghiệp mà nhiều bạn trẻ đang quan tâm và muốn theo học.

Các nhóm kỹ năng cần thiết của một nhà khoa học dữ liệu bao gồm Phân tích (Analytics), Lập trình (Programming), và Kiến thức chuyên ngành (Domain Knowledge).

Nhóm kỹ năng Phân tích gồm các kỹ năng về thống kê, tính toán, tư duy phản biện, kỹ năng trực quan hóa dữ liệu, sắp xếp dữ liệu và làm việc với dữ liệu phi cấu trúc.

Nhóm kỹ năng lập trình bao gồm các kỹ năng về lập trình (sử dụng một hoặc nhiều ngôn ngữ như Python, R, SAS và Scala), kiến thức về trí tuệ nhân tạo, học máy, học sâu, và kinh nghiệm về SQL.

Nhóm kỹ năng mà hầu hết nhà khoa học dữ liệu trẻ gặp khó khăn chính là nhóm kiến thức chuyên ngành. Tất cả kết quả phân tích phải được áp dụng trong thực tế. Việc hiểu càng sâu các kiến thức chuyên ngành sẽ giúp nhà khoa học dữ liệu có tư duy sâu, rộng hơn về các mô hình, các phân tích mà họ sẽ nghĩ ra để giải các bài toán của doanh nghiệp, giúp cho mô hình và phân tích của họ tổng quát nhất và chính xác.

Ba nhóm kỹ năng nêu trên là ở mức tổng quát. Dưới đây là những kỹ năng chi tiết mà một nhà khoa học dữ liệu cần có:

Tư duy phản biện

Tư duy phản biện là sử dụng các phân tích, khảo sát và ước lượng khách quan trước một vấn đề để đưa ra phán đoán chính đáng và có tính khả thi. Để có tư duy phản biện, nhà khoa học dữ liệu cần giữ thái độ "không bao giờ chấp nhận câu trả lời ban đầu là câu trả lời cuối cùng" - luôn đặt câu hỏi về mọi điều nghe thấy và đọc được, tập trung vào khía cạnh quan trọng của vấn đề và bỏ qua các chi tiết không liên quan.

Thống kê

Thống kê sẽ giúp các nhà khoa học dữ liệu có cái nhìn tổng quan về dữ liệu trong bước tiền xử lý dữ liệu, cũng như giúp họ thể hiện tốt các kết quả nghiên cứu cho đồng nghiệp và khách hàng. Các công cụ hỗ trợ trong thống kê thường là kiểm định thống kê, các hàm phân bố và ước lượng hợp lý cực đại. Khi hiểu rõ những công cụ, khái niệm này, nhà khoa học dữ liệu sẽ lựa chọn được kỹ thuật tốt nhất có thể áp dụng cho vấn đề của họ. Với số liệu thống kê, bạn có thể giúp các bên liên quan đưa ra quyết định, thiết kế và đánh giá các thử nghiệm.

Thống kê sẽ giúp các nhà khoa học dữ liệu có cái nhìn tổng quan về dữ liệu trong bước tiền xử lý dữ liệu, cũng như giúp họ thể hiện tốt các kết quả nghiên cứu cho đồng nghiệp và khách hàng.

Thống kê sẽ giúp các nhà khoa học dữ liệu có cái nhìn tổng quan về dữ liệu trong bước tiền xử lý dữ liệu, cũng như giúp họ thể hiện tốt các kết quả nghiên cứu cho đồng nghiệp và khách hàng.

Kỹ năng lập trình

Nhà khoa học dữ liệu phải thành thạo kỹ năng về việc sử dụng các công cụ lập trình như Python, R và ngôn ngữ truy vấn cơ sở dữ liệu như SQL, trên cả hai khía cạnh tính toán và thống kê.

Kiến thức về Học máy, Học sâu và AI

Học máy (Machine learning) là một lĩnh vực của Trí tuệ nhân tạo, sử dụng các phương pháp thống kê để giúp máy tính có khả năng học từ dữ liệu. Với Học máy, công nghệ xe tự lái, nhận dạng giọng nói, tìm kiếm hiệu quả trên web đều có thể thực hiện được. Học sâu là một ngành của học máy trong đó dữ liệu được biến đổi qua nhiều phép biến đổi phi tuyến trước khi thu được kết quả đầu ra. AI dựa trên ý tưởng về khả năng của máy tính hoặc chương trình máy tính để suy nghĩ, hiểu và học hỏi như con người. Khoa học dữ liệu có sự giao thoa với AI nhưng không phải là một lĩnh vực của AI.

Kỹ năng làm việc với dữ liệu phi cấu trúc

Dữ liệu phi cấu trúc là thông tin không có mô hình dữ liệu được xác định trước hoặc không được tổ chức theo cách được xác định trước. Thông tin phi cấu trúc thường nặng về văn bản, nhưng cũng có thể chứa dữ liệu như ngày, số và sự kiện. Kỹ năng làm việc với dữ liệu phi cấu trúc là một điểm cộng đối với các nhà khoa học dữ liệu.

Kỹ năng tiền xử lý dữ liệu

Rất nhiều dữ liệu bị lộn xộn. Các giá trị có thể bị thiếu, có thể có định dạng không nhất quán. Nhà khoa học dữ liệu sẽ cần phải dọn dẹp và sắp xếp lại dữ liệu.

Kỹ năng trực quan hóa dữ liệu

Trực quan hóa dữ liệu là biểu diễn đồ họa của dữ liệu để truyền đạt mối quan hệ giữa đặc trưng của dữ liệu. Đây là một phần thiết yếu của khoa học dữ liệu, vì nó cho phép nhà khoa học dữ liệu mô tả và truyền đạt kết quả của họ tới đồng nghiệp và khách hàng. Nhà khoa học dữ liệu nên thành thạo một trong các thư viện như Matplotlib, ggplot, d3.js, hoặc Tableau.

Kỹ năng thuyết trình

Nhà khoa học dữ liệu cần có kỹ năng sử dụng dữ liệu để giao tiếp hiệu quả với các bên liên quan. Họ là những người đứng ở giao điểm của kinh doanh, công nghệ và dữ liệu. Các phẩm chất như tài hùng biện và khả năng kể chuyện giúp họ truyền tải những thông tin kỹ thuật phức tạp thành thứ đơn giản, dễ hiểu và chính xác đến đồng nghiệp hay những nhà lãnh đạo doanh nghiệp.

Để trở thành nhà khoa học dữ liệu cần nhiều thời gian để học tập và rèn luyện. Bạn có thể dành 6 – 8 tuần học tập và rèn luyện liên tục để nắm được những kiến thức cơ bản về ngành khoa học dữ liệu và ứng dụng. Để đạt tiến độ này, người học cần lựa chọn khóa học với nội dung đào tạo phù hợp, có giảng viên, mentor nhiều kinh nghiệm thực tế về khoa học dữ liệu.

Khóa đào tạo Data Science của FUNiX là một ví dụ. Mentor của khóa học là những nhà khoa học dữ liệu hàng đầu của tập đoàn FPT, Đại học Quốc gia Hà Nội và các doanh nghiệp đang khai thác các công nghệ mới của khoa học dữ liệu trong kinh doanh. Sau thời gian học, học viên đủ khả năng và có cơ hội tham gia những dự án khoa học dữ liệu tại các công ty và tập đoàn lớn.

Tiến sĩ Nguyễn Văn Tuyên
(Viện Nghiên cứu Công nghệ FPT)

Tác giả bài viết: vpdanguy

Tổng số điểm của bài viết là: 0 trong 0 đánh giá

Click để đánh giá bài viết

  Ý kiến bạn đọc

Bạn đã không sử dụng Site, Bấm vào đây để duy trì trạng thái đăng nhập. Thời gian chờ: 60 giây