（《麻省理工科技評論》中英文版APP現已上線，年度訂閱用戶每周直播科技英語講堂，還有科技英語學習社區哦~）
網際網路創業方興未艾，人工智慧的浪潮又接踵而來，而貫穿其中的數據科學則在這更迭交替中顯得愈發重要。近日，全球最大的數據平臺 Kaggle 向約 16000 名數據科學領域的從業者發放了調查問卷，就薪資水平、人員構成和使用工具等行業問題進行了詳細的歸納和總結，最後以報告的形式分享給大家。對數據科學感興趣或有志於進入這一行業的朋友可以從中一探究竟。
數據科學從業者畫像
年齡：平均年齡為 30 歲，但國家間略有不同，例如印度的平均年齡就比澳大利亞年輕了9歲，而中國受訪者的平均年齡為 25 歲。
工作狀態：受訪者中有全職工作的佔 65.7%，正在找工作的佔 12.7%。而在中國，這兩個數字分別為 53.5% 和 17%。
職位：數據科學領域的工作劃分非常繁雜，比如在伊朗和馬來西亞，最普遍的頭銜是「科學家」或「研究員」，而在中國，最流行的頭銜則是「機器學習工程師」。
年薪：全球數據科學從業者的平均年薪是 55441 美元，美國的數據科學從業者平均薪資最高，達 11 萬美元，而這一數字在中國只有 29835 美元（或許和樣本數量較少有關）。
學歷：數據科學從業者中比例最高的是碩士，但博士的薪水顯然更高。
數據科學從業者工作內容
數據科學方法使用：邏輯回歸是數據科學從業者在工作之中最常用的數據科學方法，但在軍事和國家安全領域，使用更多的則是神經網絡。
語言使用：Python 依舊是數據科學家最常用的語言，而 R 語言也很流行。
數據類型：關係型數據是開發者在工作中最常用的數據類型，而在學術研究和國防安全領域，文本型數據使用的更多。
代碼分享：58.4% 的受訪者在工作中使用 Git 分享他們的代碼。但大公司中的開發者更傾向於使用電子郵件來分享他們的代碼，而創業公司則對雲的方式情有獨鍾。
工作障礙：髒數據（dirty data）顯然又名列榜首。通俗的講，當一個事務正在訪問數據，並且對數據進行了修改，而這種修改還沒有提交到資料庫中，這時，另外一個事務也訪問這個數據，然後使用了這個數據。因為這個數據是還沒有提交的數據，那麼另外一個事務讀到的這個數據是髒數據，依據髒數據所做的操作可能是不正確的。
數據科學新手入行
語言選擇：數據顯示 Python 和 R 語言依舊是推薦程度最高的兩種語言，而 Python 的受追捧程度又是 R 語言的兩倍之高。
學習資源：數據科學是一個快速變化的領域，不斷的學習已經成為了一種必需的技能，而目前行業內的人會更多通過 Stack Overflow Q&A，Conferences 和 Podcasts 來進行學習。除此以外，官方的文檔和觀看 Youtube 視頻也不失為有效地學習途徑。
開源數據獲取：dataset aggregators、https://www.kaggle.com/datasets
找工作：首選方法是直接聯繫招聘者或建立自己的人脈網絡
報告下載：https://www.kaggle.com/surveys/2017
調查數據下載：https://www.kaggle.com/kaggle/kaggle-survey-2017
作為一個集合社群、競賽、用數據解決問題三個核心於一身的平臺，不論是企業、某個領域的研究組織、甚至是政府機構，都可以把數據集（dataset）跟想要解決的問題丟到 Kaggle 上去，請數據專家來幫忙解答。
從另一個角度來看，Kaggle 上聚集了眾多對機器學習、人工智慧有興趣的人，包括數據科學家、統計高手、工程師或者是學生，他們利用數據採礦、深度學習、統計等方式搭建出解答問題的模型或算法，勝出者就有機會獲得禮品、獎金或是工作機會，當然也有不少參加比賽的人是純粹出自興趣。
例如，全球最大衛星影像公司 Planet，主要是透過衛星影像監控亞馬遜雨林的變化，但他們發現還是有些問題無解，例如無法分辨雨林的減少是人為造成還是自然因素，所以在 Kaggle 上舉辦比賽，希望可以有更好的算法來保護亞馬遜雨林，吸引了不少關注生態議題的人參與。
正因為 Kaggle 上高手雲集，吸引不少大型企業、機構都到此舉辦比賽，比如Google、Facebook、Airbnb、沃爾瑪、Benz、Bosch、英特爾、西班牙國際銀行（Santander）、歐洲量子物理研究所（CERN）等，而且獎金額度更已有突破百萬美元等級的案例。
圖丨Kaggle上獎金排名前五的競賽
Kaggle 創始人 Anthony Goldbloom 在澳洲墨爾本大學畢業後，曾經在《經濟學人》雜誌當過實習記者，之後進入澳洲聯邦政府財政部（Australian Treasury）、澳洲儲備銀行（RBA）擔任經濟計量學家。當時他就預見數據科學將在未來扮演重要的角色，就在澳洲曾建立了一個數據科學家的線上社群。但他心想，為何不把數據開放，讓大家通過比賽的方式找到最好的算法？
圖丨Kaggle 創始人 Anthony Goldbloom
所以，他把公司搬到矽谷從而創立了 Kaggle，依靠社群成功累積了龐大的用戶， Goldbloom 在接受澳洲媒體採訪時表示，「Kaggle 今日已經擁有一百萬用戶，未來幾年還會成長十倍甚至百倍，因為這個領域的人才需求缺口還很大。」他曾被評為 2013 年《麻省理工科技評論》全球 35 歲以下青年科技創新人士，而 Kaggle 在今年加入 Google，更是近年創業領域的成功範例。
然而，想要參與到 Kaggle 的比賽中卻並非易事，因為一道道挑戰題目都難度極高。而 DT 君通過對競賽命題人、Kaggle 數據科學家甘志雯（Wendy Kan）的專訪，也了解到整個比賽的流程。
圖丨甘志雯
舉例來說，當企業或機構單位想要在 Kaggle 舉辦比賽，會先接觸到 Kaggle 類似產品經理角色的人員展開初步溝通，合作共識達成後，就會開始由數據科學家接手。他們與企業溝通，理解對方想要解決什麼樣的問題、擁有什麼樣的數據、怎麼衡量模型的效益、評價指標有哪些等等。
所以客戶會將龐大的數據交給甘志雯，她必須在很短的時間內熟悉這些數據，並且設計出適合這份數據的比賽規則和目標。
但她經常會遇到客戶說：「這些數據很機密，但我又很想辦這比賽，怎麼辦？」所以就要得幫他們想出適當的方法。直到雙方都認同後，就會把數據整合為比較乾淨的模式，也就是數據清理（Data Cleansing），去除錯誤或不一致的數據。最後再把這些數據放到 Kaggle 平臺上讓使用者取用。一般 Kaggle 上的比賽賽程最多是 2~3 個月，參賽者必須在期間內遞交自己設計的算法。
圖丨甘志雯在演講
對於身為一個出考題的人，在採訪時 DT 君問她：有沒有什麼可以在 Kaggle 贏高分的秘技？甘志雯說，「多學， 就算你很有經驗也不一定會贏。」多參加比賽、多在 Kaggla 或社群平臺與其他人交流，另外網絡上有不少課程可以利用，多上且多聽。
她認為，數據科學一直都存在於日常生活中，過去，可能是統計學家或IT人員才會使用，不過近年隨著科技的進步，電腦的計算能力進步很多，再加之網絡的普及，大家可以比以前更容易地獲取數據並進行分析。