下面我们以Sean Farrell的科研经历为例。Sean所学专业是天体物理学，之后进入澳大利亚商业数据科学研究领域，在研究过程，他就“为什么科学家在数据科学领域的损失反而是收获”这一题目写了一篇著名的博文。下面这段话尤为中肯：

　　“至今为止，尚未发现一种能够培养出一位数据科学家的正式训练方法。多数数据科学家都来自统计学或计算机科学领域。然而，尽管其他研究领域也能够培养上述列举的技能，但是不能涵盖所有的相关技能。统计学家非常擅长数学和统计，通常在编程这一块儿的技能稍显欠缺。计算机科学家非常擅长编程，但是，在理解统计学知识方面存在难度。两个领域的科学家都具备高水平的（尽管不同的）数据分析技能，但是不擅长创新性地解决问题，这种技能也是难以教会的。”

　　为了避免误解，请记得我们今天讨论的上下文语境。Sean的一席话并不意味着来自统计学或计算机科学领域的所有数据科学家都缺乏创新性解决问题的能力；他的观点是：相比统计学和计算机科学，广泛意义上的科学对解决问题的技能要求很高。

　　统计学

　　谈及到科学，应当仔细研究统计学。近来，许多统计学中的分支学科被重新冠以数据科学之名，因此，在某种程度上，我们好像正在谈论语义学知识。但是，正如我先前谈到的，我认为科学方法应当被当作一门科学：难道提出假设，设计可行的实验方案等研究步骤不能称得上“方法论”吗？倘若不是的话，也许像“统计学家”或“模型分析师”这样的头衔更为贴切。

　　暂且将这一问题放一放，倘若你是产业界的一名统计员或者刚刚从统计学专业毕业，那么你可能已经拥有成为一名数据科学家应当具备的知识与素养。相关知识素养的形成主要依靠以下因素：

　　首先，你在机器学习技能方面有何经验？正如我们在第一章提到的，统计建模与机器学习是相互关联的，但是，在应用到大型数据集中，后者具有更多的优势。当机器学习在产业界的应用越来越受到关注，实际上，机器学习已经成为各种类型的数据科学。

　　其次，我们再重复一遍，你对数据科学的哪一领域感兴趣？很明显，拥有统计学背景更加有利于你胜任A类型职位，因而，如果你将目标设定为B类型职位，未来还需要学习很多知识。

　　最后，你是否拥有处理数据的实际经验？正如我们在第一章中提到的，手动转换数据是商业数据科学的重要组成部分，而来自统计学领域的科学家手动转换数据的能力相对薄弱。

　　计算机科学/软件工程

　　如果你在人工智能或计算机科学领域的学习已经达到前沿水平，你极有可能已经能够胜任B类型的数据科学研究工作。但是，我们这里将要考虑一条数据科学家常走的科研道路：一名经验丰富的软件工程师想要转型进入数据科学领域。

　　一名软件工程师在机器学习领域可能富有经验，也可能经验甚少。但是，B类型数据科学要求在软件工程原则方面拥有扎实的基础，因而，不论怎样，拥有软件工程方面的学术背景将使你更适合该领域的研究。我曾经与澳洲联邦银行高级数据科学家（先前是一名软件工程师）就此问题交流过，以下是他的观点：

　　“大量数据科学工作其实都涉及到软件工程方面的知识，不仅仅包括设计健全的系统，而且包括简单地编写软件。你可以通过自动化完成众多任务，如果想要开展实验，你需要编写代码，如果你能够快速编码，将对实验进展产生重大影响。在攻读博士学位过程中，我每天要做成千上万项实验，如此浩大的工程是不可能通过人工完成的。拥有软件工程专业的学术背景意味着我能够快速完成设定的实验任务，然而，许多其他学术背景的学生需要费力处理基本的软件问题：他们真的非常擅长数学，但是要切实证明他们的观点还需要耗费大量时间。”

　　Dylan对于该问题补充道：

　　“如果你想要在生产环境中高效运用机器学习算法，良好的软件工程实践能力是非常宝贵的。这其中涉及到各种各样的软件工程知识——如可维护的代码，可供分享的代码库，以便于更多的人能够投入到数据科学领域的研究中，如在计算机中记录信息，排除生产过程中的故障，算法扩展，你应当认识到：一旦这些知识得到加强，你便能够通过这样的方式构建数据科学领域的知识框架。因此，如果你正在寻找一份能够有效利用所掌握的知识的工作，这将使得软件工程学术背景变得更为重要。”