原文：
www.kdnuggets.com/2020/11/greatlearning-data-scientist-machine-learning-engineer.html
赞助帖子。
在 21 世纪，世界围绕着数据运转，成百上千的数据。因此，处理这些数据变得非常自然，而为此目的而强大的设备已经成为必需品。这些机器应该是自动化的，或者这些系统应该设计成使这些设备能够自动成功地处理这些数据。因此，为了构建这些系统，我们需要像机器学习工程师和数据科学家这样的专业人员。这就是数据科学和机器学习重要性所在。关于数据科学与机器学习的比较以及数据科学家和机器学习工程师的角色和职责之间存在许多混淆，因为这两个术语在技术行业中相对较新。然而，如果你深入探讨这两者，你将发现数据科学和机器学习之间存在一些主要的差异。
数据科学通常被定义为对结构化和非结构化数据的描述、预测和操作。这个过程帮助企业公司和组织在做出业务相关决策时对公司有利。也有人将其描述为研究数据的来源、数据代表什么以及如何将数据转化为有价值的资源，为此，数据科学技术被用来挖掘大量数据以找出有助于企业获得竞争优势、发现市场新机会、提高效率等好处的模式。
关于数据科学家的定义有很多，但如果我们要用几句话总结，数据科学家就是从事数据科学艺术的专业人士。数据科学家的职责包括用他们在科学学科中的专业知识解决复杂问题和场景。数据科学家的角色和职责还包括需要特定技能的领域，如语音分析、文本、图像和视频处理等。数据科学家的每一个角色和职责都数量有限，因此这些专家的职位非常有价值，因此在市场上非常抢手。简而言之，无论何时业务中需要解答问题或解决问题，数据科学家都是他们求助的对象，因为数据科学家收集、推导和处理这些数据，以从中提取有价值的见解。
机器学习是人工智能的一个分支，它涉及一类数据驱动的算法，这些算法使软件或系统能够在没有人工干预或预编程的情况下准确预测操作结果。这里的过程在预测建模和数据挖掘之间有许多相似之处，因为这两种方法和过程都涉及识别数据中的模式，并根据这些模式调整和修改程序。
机器学习工程师通常被称为复杂的程序员，他们能够开发和训练机器，使其在没有具体指示的情况下理解和应用知识。人工智能是机器学习工程师的终极目标，但这些计算机程序员的关注点远不止于为执行特定任务设计特定程序。
既然我们已经了解了数据科学和机器学习这两个领域的内容，那么了解数据科学和机器学习之间的差异也变得重要，以便更好地理解。
近年来，市场上出现了许多数据科学工作岗位。数据科学家和机器学习工程师在数据科学职业中相对较新。有许多参数可以在弄清楚数据科学和机器学习之间的差异时考虑。
1. 数据科学家的要求：
数据科学家职位要求他们受过高等教育。申请数据科学家职位需要拥有数据科学硕士学位或博士学位。根据近期的研究，数据科学家通常拥有计算机科学、工程学、数学、统计学以及其他信息技术相关学科的高级学位。因此，让我们简要介绍所需的技能。
-
数据科学家申请工作时，至少需要拥有计算机科学、工程学、数学或统计学的硕士或博士学位。此外，R、Python、SQL 等编程语言，以及许多新技术和趋势，也应由个人学习，以便获得数据科学职位。现在，这些编程语言可以通过数据科学课程进行学习，而这些课程在现在非常普遍。
-
个人应具备数学能力，或应具备非常强的数学技能，以及技术和分析技能，以成为数据科学家。
-
数据挖掘和统计技术是一个人应获得经验的领域。数据挖掘技术，如提升、广义线性模型或回归、网络分析，在数据科学家的职责中非常重要，因为他们必须处理这些内容。
-
使用诸如人工神经网络、聚类等机器学习技术可以帮助你获得经验，从而在申请数据科学职位时占据优势。至少有 5 到 7 年的统计模型构建和数据集操作经验是一个重要要求。
-
为了学习数据科学，需要分布式数据和计算工具，如 Hadoop、Spark、MySQL、Python，以及数据的可视化和展示，因此需要参加数据科学课程。因此，如果你想参加一个 数据科学课程，建议加入一个机构，而 Great Learning 是一个不错的选择。
2. 机器学习工程师的要求：
就像数据科学家一样，大多数公司更倾向于拥有相关技术学科硕士学位的机器学习工程师。然而，由于这个领域相对较新，具备这些技能的人才略显短缺，因此招聘人员在聘用数据科学职位候选人时往往会考虑得更为宽松，并且通常愿意做出例外。但是，这并不意味着在其他参数方面的要求较低，因为机器学习工程师应该熟悉一些概念，比如机器学习算法，这些算法可以通过库、API、包等方式学习。此外，机器学习工程师还应该具备以下一些技能。
-
具备视觉处理、深度神经网络和强化学习的经验是必须的。此外，还需要对编程语言如 Python、Java、R、C++、C、JavaScript、Scala 等有足够的知识。
-
在概率论和统计学方面有扎实的基础至关重要。同样，在数学方面也需要深入的知识，因为在解码复杂的机器学习算法时需要算法理论，以帮助机器学习和沟通。
-
在工程方面有高级知识、强大的分析技能以及使用编程工具如 MATLAB 的经验，以及使用分布式系统工具如 etcd、Zookeeper 的经验也极为重要。所有这些都可以通过在线和机构提供的数据科学课程轻松学习。
-
此外，应具备灵活性，能够处理大量数据，并在高吞吐量环境中工作没有问题。此外，深入了解机器学习评估指标作为技能也非常重要。
**3. 数据科学家的角色和责任:
与统计学家相比，数据科学家的编程知识更多；而与软件工程师相比，数据科学家在统计学方面的知识更为丰富。数据科学家的角色和责任包括存储和清理大量数据、探索数据集以识别模式，挖掘有价值的见解，运行数据科学项目。数据科学家的职责详情如下。
-
数据科学家的首要角色和责任是研究和开发用于数据分析的统计模型，这是学习数据科学的重要组成部分。
-
理解客户需求并设计模型或引导他们找到解决方案是数据科学家的主要角色和责任之一。此外，通过与公司的管理和工程部门合作，数据科学家还可以理解公司的需求或如何通过数据科学帮助公司进步。
-
将决策、计划和概念传达给关键业务领导者是数据科学家的职责之一。识别新机会或行业最新趋势，并据此设计模型，以帮助公司改进，也是数据科学家应了解的内容，这也是数据科学课程中常常教授的内容。
-
适当的数据库和项目设计的使用，用于优化在项目中面临的解决方案，也是数据科学家的职责之一。此外，处理、清洗和验证数据的完整性，以便用于数据分析，也是学习数据科学的重要部分，因为这些工作有助于未来的数据科学工作。
4. 机器学习工程师的角色和职责：
机器学习工程师的职责将与他们在某一时刻所从事的特定项目相关。然而，如果你仔细观察，你会发现机器学习工程师通常负责创建基于统计建模程序的算法。现在，让我们看看这些机器学习工程师每天具体做些什么。
-
首要任务是研究和转化数据科学技术原型，并设计机器学习模型。此外，与数据工程师协作开发数据和模型管道也是被认为是最受认可的数据科学工作之一。
-
为了设计分布式系统，应用在数据科学课程（最好）中学到的数据科学和机器学习技术。
-
从编写生产级代码以使代码适合生产，到参与代码评审并从中学习需要做出哪些更改，机器学习工程师付出了巨大努力来改进现有的机器学习模型。
-
选择适当的数据集和正确的数据表示方法，运行机器学习测试并对其进行实验，进行统计分析并使用这些测试结果进行微调，这些都是机器学习工程师的角色和职责。
如可以看到，数据科学和机器学习都是出色的职业选择，两者都有很好的机会。因此，与其找出数据科学和机器学习之间的区别并争论哪个更好，不如了解和学习数据科学，因为如果你掌握了数据科学，你将能够精通两者，并可以选择作为数据科学家或机器学习工程师的职业生涯。
然而，要学习数据科学，必须参加数据科学课程，目前有许多数据科学课程可以选择。一个以其数据科学课程或所有数据科学课程而闻名的机构是 Great Learning。Great Learning 的数据科学课程确实在那些参加课程的人数据科学职业生涯中起到了很大的帮助。因此，建议选择一个Great Learning的数据科学课程，因为这些课程非常出色。要拥有数据科学职业生涯，确实需要对数据科学技术有深入的了解，并且在该领域有实践经验。