데이터 사이언티스트 를 소개합니다.

데이터 사이언티스트는 머신러닝, 딥러닝 기술을 활용한 실험을 통해 비즈니스 문제를 해결하는 전문가입니다. 데이터 사이언티스트의 목표는 데이터를 활용하여 비즈니스를 더 좋고, 더 스마트하고, 더 빠르게 만드는 것입니다. 매출 예측, 프로세스 개선, 현명한 결정 등 다양한 업무를 수행합니다.

이번 글은 데이터 사이언티스트 직무를 자세히 안내해 드리겠습니다.

Share Value, Grow Together

데이터 사이언티스트 의 하는 일을 소개합니다.

출처 : Data Science Project Flow for Startups

1. 비즈니스 문제 이해

데이터 과학 팀은 이해관계자와 협력하여 비즈니스 문제와 목표를 정의합니다.

2. 데이터 탐색

데이터의 특성과 품질을 이해하기 위해 데이터를 탐색하고 조사합니다.

3. 데이터 처리 및 분석

분석 및 모델링에 적합하도록 데이터를 정리, 변환, 처리, 분석합니다.

4. 모델 개발 및 평가

모델을 개발하고 모델의 성능을 평가하여 개선이 필요한 영역을 식별합니다.

5. 모델 배포, 모니터링 및 유지 관리

모델의 성능을 모니터링하고 결과의 정확성과 신뢰성에 영향을 미칠 수 있는 문제를 식별합니다.

[이해를 돕기 위해 아래 참고자료를 읽어보시면 좋습니다]
복잡하고 어려운 음식 배달 과제, 데이터 사이언스로 극복하다

데이터 사이언티스트 는 어떤 고민을 할까요?

비즈니스 문제를 해결하기 위해 어떻게 아키텍처를 어떻게 설계해야 할까?
비즈니스 문제를 해결하기 위한 적합한 모델은 어떤 것일까?
데이터 품질을 높이기 위해서는 어떻게 해야 할까?
모델의 품질을 더 높이려면 어떻게 해야 할까?
지속해서 품질을 높이기 위해 어떻게 데이터 거버넌스를 확립해야 할까?
ML/DL 프로젝트에 관하여 문서화, 버전 관리를 어떻게 해야 할까?
데이터 실험을 통해 얻은 통찰을 이해 관계자에게 어떻게 스토리텔링을 할까?
데이터 중심의 문화를 어떻게 확산시킬 수 있을까?

[이해를 돕기 위해 아래 참고자료를 읽어보시면 좋습니다]
모든 데이터 과학자가 상위 1%가 되기 위해 알아야 할 15가지 주요 사항

데이터 사이언티스트 취업하기 위해 필요한 역량

출처 : 당근 팀 Data Scientist, Decision 채용공고

최근 채용 플랫폼 데이터 사이언티스트 채용공고 분석을 분석하여 경험, 기술, 지식을 도출하였습니다. 산업, 도메인 별 데이터 사이언티스트의 필요한 기술, 기술스택이 세분화되는 점을 참고해주세요.
산업, 도메인에 따라 데이터, 모델, 데이터와 모델의 품질을 높이기 위해 활용하는 기술이 달라 요구하는 역량이 달라집니다

Project(경험)

ML/DL 기술 활용하여 비즈니스 문제를 해결한 경험
ML/DL 모델 개발 후 상용 프로덕트/솔루션/서비스를 배포한 경험

Skill(기술)

[환경구축] 데이터 실험을 위한 환경 및 시스템 구축할 수 있는 역량
[환경구축] AWS, GCP, Azure 등 환경 및 시스템 구축을 위한 클라우드 서비스 활용 역량
[데이터 처리] 다양한 Raw Data 정제 및 데이터 구조(Feature) 정의할 수 있는 역량
[ETL/ELT] ETL파이프라인을 개발 및 운영할 수 있는 역량
[데이터분석] 통계 기술을 활용하여 실험-가설 검증할 수 있는 역량
[데이터분석] 데이터 패턴을 파악할 수 있는 역량
[모델개발] 학술 논문을 검색-이해- 모델 구현-프로젝트에 적용할 수 있는 역량
[모델개발] 비즈니스 주요 지표를 개선할 수 있는 모델을 개발할 수 있는 역량
[모델개발] 데이터 품질 향상 및 Fine Tuning 등을 통해 모델 성능을 개선할 수 있는 역량
[최적화] 프로세스를 자동화 및 최적화 할 수 있는 역량
[스토리텔링] 레포팅 및 스토리텔링 역량

knowledge(지식)

머신러닝, 딥러닝에 관한 지식
수학, 통계에 관한 지식
대용량 데이터 분산 처리에 관한 지식
Computer Science에 관한 지식
코드 품질 향상에 관한 지식

데이터 사이언티스트가 되기 위해 알아야 할 것이 너무 많습니다.
데이터 사이언티스트에게 필요한 지식의 범위가 넓고, 생성되는 속도가 빨라서 모든 것을 공부한다고 생각하지 말라고 합니다. 하지만 머신러닝, 딥러닝 알고리즘 원리와 특성은 반드시 알아야 한다고 합니다.

[이해를 돕기 위해 아래 참고자료를 읽어보시면 좋습니다]
데이터사이언티스트가 되려면 무엇을 준비해야 할까요?

데이터 사이언티스트 가 되기 위한 로드맵을 소개합니다.

수학/통계

선형대수학, 미적분학, 확률, 통계 등

프로그래밍

언어 : Python 등

데이터 탐색 및 전처리

데이터 조작 : Numpy(Python), Pandas 등
데이터 시각화 : Matplotlib, Seaborn 등
탐색적 데이터 분석(EDA)
Feature Engineering

머신러닝(Machine Learning)

라이브러리 및 프레임워크 : Scikit-learn 등
지도 학습 알고리즘
비지도 학습 알고리즘
강화 학습 알고리즘
모델 평가 및 검증

딥러닝

라이브러리 및 프레임워크 : TensorFlow, Keras, PyTorch 등
신경망의 이해
다양한 딥러닝 알고리즘 학습

빅데이터 기술

빅데이터 병렬(분산)처리 기술 : Hadoop, Spark 등
NoSQL : MongoDB, Cassandra, HBase 등

데이터 시각화

대시보드 : Tableau, Power BI 등
레포팅
스토리텔링

데이터 도메인 지식

데이터 과학 분야 최신 동향 지식
산업별 도메인 지식

데이터 사이언티스트 가 되기 위해 제대로 성장하고 싶다면!?

데이터 사이언티스트 직무에 관심이 있다면 모두의연구소 아이펠 데이터 사이언티스트 과정에 관심 가져주세요. ‘1,095일 동안 현업 AI 연구원, 데이터 사이언티스트 와 함께 기획부터 끝까지’ 필수 역량에 맞추어 교육 프로그램을 제대로 만들었습니다.

아이펠 데이터사이언티스트 6개월 커리큘럼

세상에 아직 인식하지 못한 문제를 정의하고 해결하여, 조금 더 나은 환경을 만들어주시는 데이터 사이언티스트 분들 너무 대단합니다. 긴 글 읽어주셔서 감사합니다!