AI 技术内参
洪亮劼
Etsy 数据科学主管,前雅虎研究院资深科学家
32838 人已学习
新⼈⾸单¥98
登录后,你可以任选6讲全文学习
课程目录
已完结/共 166 讲
开篇词 (1讲)
人工智能国际顶级会议 (31讲)
搜索核心技术 (28讲)
推荐系统核心技术 (22讲)
数据科学家与数据科学团队养成 (25讲)
AI 技术内参
15
15
1.0x
00:00/00:00
登录|注册

136 | 如何组建一个数据科学团队?

数据科学团队眼下已经成了很多数据驱动型公司的标准配置,数据科学家也成了最“性感”的职业。不少公司都在想办法建立或扩展自己的数据科学团队,而究竟需要什么样的数据科学团队,成了很多公司在发展过程中都会遇到的棘手问题。
在目前的职业市场上,有各种背景、各种经历的人都自称为“数据科学家”。那么,如何从这个蓬勃发展,却鱼龙混杂的人才市场中找到合适的团队成员呢?今天我就来和你聊一聊作为一个工程团队的负责人,或者一家公司的 CEO,该如何招聘并打造自己的数据科学团队。

数据分析还是算法模型

目前人才市场上大致有两类数据科学家,一类偏数据分析,一类偏算法模型。因为这两类人才的区别,不同公司乃至同一公司的不同数据科学团队就有了差别。在招聘之前你必须明白,这两类数据科学家的特质很难在同一个人身上体现出来。也就是说,你必须根据当前公司和团队的需求,来决定目前应该招聘更偏重数据分析,还是偏重算法模型的数据科学家。
先来说说偏重数据分析的数据科学家,他们可能来自于统计、数据分析等学科,也可能来自于很多需要数据分析的自然科学学科,比如实验物理、生物、计算化学等。作为团队的负责人,你需要重点考察候选人是否系统学习过数据分析的相关课程,是否具备数据分析的基本能力。下面我从理论知识和实际应用操作两个角度来和你介绍下考察要点。
从理论知识的角度来说,你需要考察候选人:
是否对概率统计有基本的认知;
是否能够使用基本的假设检验对数据进行分析;
是否对高级的假设检验方法,比如非参数假设检验(Nonparametric Hypothesis Testing)有所了解,能否快速学习和查询到相关的方法;
是否了解 A/B 实验,并基本了解实验设计;
是否了解高级的因果推论(Causal Inference)工具,并能够使用简单的因果推论工具对实验数据进行分析;
是否了解如何对时间序列下的数据进行合理分析。
当然这些技能只是作为数据分析候选人的一些基本素质,具体还需要和领域知识相结合。
从实际应用操作的角度来说,你还需要考察候选人:
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结
仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《AI 技术内参》
新⼈⾸单¥98
立即购买
登录 后留言

全部留言(12)

  • 最新
  • 精选
  • 阿祺
    置顶
    讲得很好,重点很多而且不冗余sweet and short,也为我今后找工作或者创业理清了不少思路。非常感谢分享!
    4
  • Momo
    对不同角色的要求清晰地定义了两个job model,给想做数据科学家的同学制定了两个清晰可触达的目标

    作者回复: 是这样的。

    7
  • 帅帅
    好尴尬,我就属于文中的通才。 一方面,能做数据分析,会使用hadoop/hive/spark做数据打点接入、处理建模、出dashbord报表,供老大和产品进行迭代决策; 另一方面,能做简单算法,用spark mllib实现协同过滤/CTR,进行个性化猜你喜欢、相关推荐、发现流排序; 可是我当然不是某一方面精深的专家,文中也提到,从通才到专才很难转变; 那我的职业路子该怎么走~~~继续通才的路子,将来转技术管理吗;还是在我当前接触的推荐领域做到专才呢,期待建议;
    6
  • Lynn
    如何在筛选候选人简历的时候,就能够比较准确地了解这位候选人的经历和能力更偏向数据分析还是偏向算法呢? ———————————————————— 主要看候选人的所学专业背景(统计相关or计算机相关) 技术背景(分析工具用的多还是算法模型用的多) 工作经历(分析性工作比较多还是研究算法研究提升比较多)
    1
  • Drowning Fish
    请问,有比较好的数据分析的课程(或其他资源)推荐么?突然发现数据分析的相关的理论知识第一次听说。
    1
  • 漂泊的小飘
    天呐 买了这么久今天终于开始看了。。应该早点看的 太棒了
  • hallo128
    1. 项目经历: 数据分析——统计假设检验建模 算法——了解基本算法,深入理解各个算法的细节,能够提出改进思路 2. 知识贮备 数据分析——传统统计课程:假设检验,试验设计,抽样调查 算法——数据结构 3. 编程实现能力 数据分析——R/Python实现统计模型,了解大数据框架 算法——能编程从底层进行算法实现并进行调整改进
  • 杰之7
    通过这一节的阅读和结合我自己的看法,我觉得如果候选人能在一定时间能通过各项运营指标发现其中的问题和落地改善方案,这种候选人偏向数据分析。如果后选人能通过不断优化产品的性能指标,推出更快速准确的数据模型,这种候选人更适合算法类。 目前我还没有正式接触过数据科学的工作,也不是科班生,基本素质和职位背景都需要提升。
  • 陈星强·DeepOmics
    很不错👍团队小 就得啥都干。干好了就行,团队大,专人专事,一人一责
  • 蒋鑫
    数据分析,更偏向产品数据的指标性分析,帮助达到业务目标,往往与产品和运营人员配合;算法建模,更偏向产品某个模块本身,如何挖掘数据背后的规律和价值,提升产品功能,与产品人员深度合作。
收起评论
显示
设置
留言
12
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部