如果你是一名数据科学方面的求职者，你肯定想知道在简历上写些什么才能获得面试的机会；如果你想进入这个领域，你一定想知道具备哪些技术才能成为一名有竞争力的求职者。

在本文中，我们对美国求职网站 Indeed 中一千份数据科学相关的招聘信息进行了分析，主要针对数据工程师、数据科学家和机器学习工程师这三个职位，希望能解答你的疑问。

首先，让我们来看看不同职位的技能要求。

一、必备语言

1. Python 是数据科学家的首选语言

关于数据科学中的首选语言究竟是Python还是R曾有过争论。显然，根据市场需求，如今处于主导地位是Python。同样值得注意的是，从语言需求的排名来看，R语言可能还排在SAS之后。因此，如果你打算进入数据科学领域，不妨把学习重点放在Python上。作为数据库语言，SQL是数据科学家第二重要的语言。由于数据科学家职业的广泛性，其他语言也扮演着重要角色。

数据科学家必备语言排名为：Python、SQL、Scala、Lua、Java、SAS、R、C ++和Matlab。

2. 机器学习工程师使用的语言更加多样化

Python是机器学习工程师的首选语言，这并不令人惊讶。机器学习工程师需要从头开始实现算法，并在大数据环境中部署ML模型，因此C ++和Scala等相关语言也很重要。总的来说，机器学习工程师使用的语言更加多样化。

机器学习工程师必备语言排名为：Python、Scala、Java、C ++、Lua、SQL、Javascript、Matlab、CSS和C＃。

3. SQL 是数据工程师的必备技能

数据工程师一直都在于数据库打交道，而SQL是数据库语言，因此SQL是首选语言也就不足为奇了。同时Python也重要，但重要性排在Scala和Java之后，因为后者能够帮助数据工程师处理大数据。

数据工程师必备语言排名为：SQL、Scala、Java、Python和Lua。

4. Scala 逐渐成为数据科学中第二重要的语言（而不是R语言）

当我们研究分析不同职位时发现，对Scala的需求排在第二或第三名。因此我们得出，数据科学领域排名前三的语言是Python、SQL和Scala。如果你打算学一门新语言，可以试试Scala。

二、大数据技能

Spark是最必备的大数据技能（数据工程师除外）

仅对数据工程师而言，Hadoop比Spark更为重要。但总的来说，Spark绝对是应该首先学习的大数据框架。相对于数据科学家，Cassandra对工程师更为重要，而似乎只有数据工程师才需要用Storm。

数据科学领域必备的大数据技术排名为：Spark、Hadoop、Kafka、Hive。

三、 深度学习框架

深度学习方面，TensorFlow 占主导地位

在数据工程师的招聘中很少提到深度学习框架，该职位可能不需要用到深度学习框架；在机器学习工程师招聘中，常常提到深度学习框架，这表明机器学习工程师需要处理机器学习建模，而不仅仅是模型部署。

此外，TensorFlow在深度学习领域绝对占据主导地位。尽管Keras作为高级深度学习框架在数据科学家中非常受欢迎，但对于机器学习工程师职位，很少要求要掌握Keras，这可能表明机器学习从业者大多使用较低级别的框架，如TensorFlow。

数据科学中要掌握的深度学习框架排名为：TensorFlow、Torch、Caffee和MXNet。

四、云计算平台

AWS占据主导地位。

五、机器学习应用

机器学习方面，计算机视觉是最主要的技能需求

对于一般数据科学家来说，机器学习最大的应用领域是自然语言处理，其次是计算机视觉、语音识别、欺诈检测和推荐系统。有趣的是，在机器学习工程师职位招聘中，最大的需求是计算机视觉，其次才是自然语言处理。

另一方面，机器学习方面数据工程师再次成为备受专注，然而这些机器学习应用领域与他们并没有关系。

如果想成为数据科学家，你可以想进入的领域，选择不同类型的项目来展现专业知识，但对于机器学习工程师来说，计算机视觉是最佳选择！

六、可视化工具

Tableau是可视化方面的必备技能

在招聘中，数据科学家大多都要求需要掌握可视化工具，而很少要求数据工程师和机器学习工程师掌握。然而对以上每个职位来说，Tableau都是首选。对于数据科学家，Shiny、Matplotlib、ggplot和Seaborn都同样重要。

七、其他技能

在数据科学领域，Git对每种职位都都很重要，而Docker仅适用于数据工程师。

八、词云

接下来，我们使用词云来分析每个职位最常用的关键词，并结合相应的技能为所有数据科学角色构建理想的技能清单！

数据科学家：更注重机器学习，而不是业务或分析

数据科学家一直被认为是需要统计、分析、机器学习和商业知识的全方位职业。然而，现在看来在招聘数据科学家时，比起其他技能，更多地关注机器学习技能。

其他主要要求包括：业务、管理、通信、研究、开发、分析、产品、技术、统计、算法、模型、客户和计算机科学。

机器学习工程师：研究、系统设计和构建

与一般的数据科学家相比，机器学习工程师的技能要求更为集中，包括研究、设计和工程。显然，解决方案、产品、软件和系统是主要技能要求。除此之外还伴随着研究、算法、人工智能、深度学习和计算机视觉等要求。同时商业、管理、客户和沟通等也很重要。另一方面，管道和平台也很重要，这也印证了机器学习工程师主要负责构建数据管道，以及部署机器学习系统。

数据工程师：技能要求更为集中

与机器学习工程师相比，数据工程师的技能要求更集中。重点是通过设计和开发管道来支持产品、系统和解决方案。最主要的要求包括：技术技能、数据库、构建、测试、环境和质量。机器学习也很重要，可能因为构建管道主要为了支持机器学习模型部署数据需求。

结语

希望通过本文能帮助你了解，在数据科学方面雇主最需要求职者的哪些技能，从而帮助你更好地制定学习计划，完善自己的技能清单。