Birkaç yıl önce veri bilimini öğrenmeye başlayanlardan çoğu iş ilanı, temel bir gereklilik olarak matematik, istatistik veya benzer bir konuda doktora veya en azından bir yüksek lisans talep ediyordu.

Algoritmaların arkasındaki karmaşıklığın çoğunu soyutlayan makine öğrenimi kitaplıklarının geliştirilmesi ve iş problemlerini çözmek için makine öğreniminin pratik olarak uygulanmasının, genellikle yalnızca akademik çalışma yoluyla edinilmeyen bir dizi beceri gerektirdiğinin farkına varılmasıyla birlikte son birkaç yılda işler değişti. Şirketler artık veri bilimcilerini araştırma yerine uygulamalı veri bilimi gerçekleştirme yeteneklerine göre işe alıyor.

Bir işletmeye mümkün olan en hızlı zamanda değer katan uygulamalı veri bilimi, çok pratik bir beceri seti gerektirir. Ek olarak, daha fazla şirket verilerini ve makine öğrenimi çözümlerini buluta taşıdıkça, veri bilimcilerin bununla ilgili yeni araçlar ve teknolojiyi anlamaları çok önemli hale geliyor. Sadece veri modelleme üzerinde çalışan, veri mühendisleri tarafından toplanan verileri kullanan ve daha sonra modeli üretime sokmak için bir yazılım mühendisleri ekibine teslim eden bir veri bilimcisinin günleri büyük ölçüde geride kaldı.

Yakın gelecekte her başarılı veri bilimcisinin sahip olması gereken, en önemli hale gelen hem yeni hem de eski temel becerileri inceleyelim.

1. Python 3

Veri bilimcilerin R kullanabileceği bazı durumlar hala var, ancak genel olarak konuşursak, bugünlerde uygulamalı veri bilimi yapıyorsanız, Python öğrenilmesi gereken en değerli programlama dili olacaktır.

Python 3, 1 Ocak 2020’de kütüphanelerin çoğunluğu tarafından Python 2 desteği bırakıldığı için  çoğu uygulama için dilin varsayılan sürümü haline geldi. Veri bilimi için Python öğreniyorsanız, bu versiyon ile işe yarayan bir kurs seçmeniz önemlidir.

2. Pandas

Pandas is still the number one Python library for data manipulation, processing and analysis. In 2021 this is still one of the most vital skills to have as a data scientist. Veriler, herhangi bir veri bilimi projesinin tam merkezinde yer alır ve Pandas, ondan içgörü çıkarmanızı, temizlemenizi, işlemenizi ve çıkarmanızı sağlayacak araçtır. Çoğu makine öğrenimi kitaplığı da bugünlerde Pandas DataFrame’lerini standart bir girdi olarak alıyor.

3. SQL and NoSQL

SQL, 1970’lerden beri varlığını sürdürüyor, ancak yine de en önemli ve veri bilimcileri için en çok tercih edilen becerilerden biri olmaya devam ediyor. İşletmelerin büyük çoğunluğu, analitik veri depoları olarak ilişkisel veritabanlarını kullanır ve bir veri bilimcisi olarak SQL, size bu verileri sağlayacak bir araçtır.

Şirketler tarafından toplanan veri hacimleri arttıkça ve yapılandırılmamış veriler makine öğrenimi modellerinde daha düzenli olarak kullanıldıkça, kuruluşlar geleneksel veri ambarını tamamlayıcı veya alternatif olarak NoSQL veritabanlarına yöneliyor. Bu eğilimin 2021’de de devam etmesi muhtemeldir ve bir veri bilimcisi olarak bu formdaki verilerle nasıl etkileşim kurulacağına dair en azından temel bir anlayış kazanmak önemlidir.

4. Cloud

Bir işletmenin diğer alanlarında bulut kullanımı genellikle veri depolama, analitik ve makine öğrenimi için bulut tabanlı çözümlerle birlikte ilerler. Google Cloud Platform, Amazon Web Services ve Microsoft Azure gibi büyük bulut sağlayıcıları, makine öğrenimi modellerini hızlı bir şekilde eğitmek, dağıtmak ve sunmak için araçlar geliştiriyor.

2021 ve sonrasında çalışan bir veri bilimcisi olarak, Google BigQuery gibi bulut tabanlı bir veritabanında barındırılan verilerle çalışmanız ve bulut tabanlı makine öğrenimi modelleri geliştirmeniz çok muhtemeldir.

5. Airflow

Açık kaynaklı bir iş akışı yönetim aracı olan Apache Airflow, ETL süreçlerinin ve makine öğrenimi ardışık düzenlerinin yönetimi için birçok işletme tarafından hızla benimseniyor.

İş ilanlarında veri bilimcileri için Airflow’dan giderek daha çok istenen bir beceri olarak bahsedildiği görülmeye başlanmıştır. Veri bilimcilerin analitik ve makine öğrenimi için kendi veri ardışık düzenlerini oluşturup yönetebilmelerinin daha önemli olacağı öngörülmektedir. Airflow’un artan popülaritesi en azından kısa vadede devam edecek ve açık kaynaklı bir araç olarak kesinlikle her yeni gelişen veri bilimcisinin öğrenmesi gereken bir şey.

6. Software engineering

Veri bilimi kodu geleneksel olarak dağınıktır, her zaman iyi test edilmez ve şekillendirme kurallarına bağlılıktan yoksundur. Bu, ilk veri keşfi ve hızlı analiz için uygundur, ancak makine öğrenimi modellerini üretime koymak söz konusu olduğunda, bir veri bilimcisinin yazılım mühendisliği ilkelerini iyi bir şekilde anlaması gerekecektir.

Bir veri bilimcisi olarak çalışmayı planlıyorsanız, modelleri üretime kendiniz koymanız veya en azından sürece yoğun bir şekilde dahil olmanız muhtemeldir. Bu nedenle, üstlendiğiniz herhangi bir öğrenmede aşağıdaki becerileri kapsamanız önemlidir.

• PEP 8 Python stil kılavuzu gibi kod kuralları
• Birim testi
• Sürüm kontrolü (örnek olarak, Github)
• Bağımlılıklar ve sanal ortamlar.
• Containers (örnek olarak, Docker)

Bu yazıda veri bilimcileri için gerekli beceriler açısından ortaya çıkan bazı temel eğilimleri vurgulamak istedik. Bu içgörüler, mevcut veri bilimi iş ilanlarını incelemekten ve alandaki gelecekteki eğilimleri kapsayan makaleleri okuyarak elde edilmiştir.