數據工程、數據科學和機器學習都有什么區別？
數據科學是一個廣泛的領域。
因為它是如此的多樣化，我們很難具體定義數據科學家要做些什么。但最重要的是，我們要認識到，數據科學是一個過程，而不僅僅是一個職位名稱。
數據科學可以應用于許多不同的領域，可以用來做許多不同的事情。
如今數據科學、機器學習和數據工程正在以非常快的速度發展。
2011-2027年全球大數據市場規模預測
隨著數據領域的發展速度加快，許多人對這些領域的概念也有一些錯誤的認識。
在本文中，我們將帶你了解一下數據工程師、數據科學家和機器學習工程師之間的區別。
讓我們先了解一下完整的數據項目包括哪些環節。
公司通過各種渠道從客戶處收集數據，例如亞馬遜，他們可能會收集用戶的電子郵件、姓名、年齡、位置等數據。
以及關于用戶購買歷史和訂單的數據，用戶搜索關鍵字和最近查看的項目等。
如今，這些數據有各種形式和格式，數據可能位于不同的表和不同的位置。
任何數據項目的出發點無一例外，都是為了從數據中提取價值，從而幫助企業做出決策，并改進其產品和服務。
這里可以看到一個案例——亞馬遜建立的推薦系統，當中將用用戶經常購買的產品排列在一起，并根據產品的性能進行排名。
任何數據項目的第一步都是理解。
企業真正需要什么
假設，我們想針對會從已購商品中進行回購的客戶建立一個分類器。
我們對所需的最終結果進行定義，可能會根據可用數據而改變，但假設現在一切準備就緒，開始項目開發。
這時數據工程師們就派上用場了。
在數據項目工作中，數據工程師將從各種來源提取數據并編寫查詢，或使用ETL工具將所有數據集中到一個地方。
數據被儲存為各種格式，比如SQL表、CSV文件、JSON文件等。
因此，數據工程師要做的就是對這些數據進行轉換，并將所有東西整合在一起。并負責建立數據庫模型、模式、表、架構以及數據的整體結構。
一旦數據準備妥當，數據科學家、數據分析師或BI人員就要上場了。
為了便于理解，這里我們用數據科學家來概括這些角色，因為數據科學是一個非常廣泛的領域，他們所做的工作內容包羅萬象。
現在，數據科學人員有了正確格式的數據，而數據科學家對業務有很好理解，他很清楚需要做些什么來完成工作。
數據科學家需要負責的工作內容有：
- 提取業務需要的數據;
- 為機器學習模型清理數據;
- 定義訓練模型所需的特征;
- 建立儀表盤或可視化以更好地理解數據;
- 為機器學習模型準備數據等等。
由于數據項目需要團隊協作，因此有許多人會參與到這個過程。
不是每個人都會清理數據或構建數據可視化，這完全取決于數據人員的技能和角色。
接著就需要機器學習工程師，他們同時擁有軟件工程和數據科學方面的知識。
他們使用大數據工具和編程框架，確保從數據管道中收集的原始數據被重新定義為數據科學模型，并根據需要進行擴展。
在這個推薦系統的項目中，我們可能需要實時預測的模型，也需要通過調用API來提供預測的模型。
機器學習工程師的職責是建立機器學習模型，對其進行適當調整，確保模型產生良好的結果，在產品中部署模型。
機器學習工程師使機器能夠在自己的編程數據中識別模式，并教會自己理解命令。
結語
現在這三個領域相互依賴，沒有哪一個更好的比較，每個領域都有自己的角色、責任和所需的技能，完全取決于你選擇哪一個。
現在，這三種職業相互依賴，沒有哪個職業更好的說法。在工作項目中，這三者分別都有不同的角色擔當，責任和技能要求，選擇從事哪一種完全取決于你自己的興趣。
如果你喜歡構建管道，數據模型和模式，那么成為數據工程師是不錯的選擇。
如果你更喜歡清理數據、數據可視化和構建儀表盤，那么你可以選擇成為一名數據科學家，或者機器學習工程師，前提是你有完成工作所需的知識和技能。
因此不妨問問自己，你更適合哪一種?數據工程師，數據科學家，還是機器學習工程師?
