现在大部分机器学习都需要海量数据，所以你无法在单台机器上进行机器学习。所以，你需要用到集群，需要掌握 Apache Hadoop 和一些云服务，如 Rackspace、Amazon EC2、Google Cloud Platform、OpenStack 和 Microsoft Azure 等。
你还需要掌握各种 Unix 工具，如 cat、grep、find、awk、sed、sort、cut、tr 等。因为机器学习基本上都是在 Unix 系统上运行的，所以需要掌握这些工具，知道它们的作用以及如何使用它们。
查询语言和 NoSQL 数据库
传统关系型数据库已经老去。除了 Hadoop 之外，你还需要掌握 SQL、Hive 和 Pig，以及 NoSQL 数据库，如 MongoDB、Casssandra、HBase。
基于 NoSQL 分布式数据库的基础设施已经成为大数据仓库的基础。原先在一个中心关系型数据库上需要 20 个小时才能处理完的任务，在一个大型的 Hadoop 集群上可能只需要 3 分钟时间。当然，你也可以使用 MapReduce、Cloudera、Tarn、PaaS、Chef、Flume 和 ABAP 这些工具。
数据可视化工具
在掌握编程语言和算法的同时，不要忽略了数据可视化的作用。如果无法让你自己或别人理解数据，那么它们就变得毫无意义。数据可视化就是指如何在正确的时间向正确的人展示数据，以便让他们从中获得价值。主要的数据可视化工具包括：Tableau、QlikView、Someka Heat Maps、FusionCharts、Sisense、Plotly、Highcharts、Datawrapper、D3.js、ggplot 等。
正确选择教育背景和专业
要成为数据科学家，不一定非要拿到数据科学方面的学位。事实上，你完全不需要这么做，这样做反而不是个好主意。如果你能拿到计算机学位、工程学学位、经济学学位、数学学位、统计学学位、精算师学位、金融学学位或者自然科学学位（物理、化学或生物）都是可以的。甚至是人文科学（包括社会科学）也是可以的。
但或许你会在其他领域得到更好的发展，比如经济、应用数学或工程领域。首先要确定数据科学这条路是不是适合自己。2018 年绝对不会让那些有志在数据科学领域一展身手的人失望。不过还是那句话，一个具备分析能力的大脑、熟练的编程技能、诚挚的热情和
持续自我提升的毅力将决定你的数据科学家之路会走多远。
大数据学习群：716581014 专注大数据分析方法,大数据编程，大数据仓库，大数据案例，人工智能,数据挖掘，AI等大数据内容分享交流