这实际上取决于您作为数据科学家获得的角色。如果您必须在一家大型软件公司编写生产质量的代码，那么您需要了解面向对象编程 (OOP)的基础知识。然而，面向对象设计 (OOD) 是您在数据科学角色中不一定需要了解的内容。不过，如果您计划将来转换到软件工程角色，学习 OOD 是您可以考虑的一件事。

关于进行数据科学的语言选择，我建议你更喜欢 Python 而不是 R，因为它更通用，也是一种更通用的语言。而另一方面，R 仅限于统计编程中的应用。

使用 python 与 R 更多的是个人选择，但我在数据科学领域认识的大多数人，包括我自己，都使用 python。

如果你决定使用 python，几乎所有的 python ML 库都是使用 OOP 方法编写的，因此，如果你熟悉基本的 OOP，一些 API 设计和交互（例如错误/警告消息）会更有意义概念。但是，您可以保留高级 OOP 和 OOD 以备将来使用。

这$1^{st}$都是关于机器学习解决方案的生产化。

OOP 和 OOD 只是您用来实现此目的的计算机编程范例，您可以独立于您的背景来学习这一点。Python 用于生产系统（除其他外）。

尽管现在你可以在未来摆脱普通的编程技能，但越来越多的机器学习和数据科学将被抽象出来，并通过简单的 API 调用进行访问。以FastAI或最新的GPT-3为例，几乎所有东西都在 API 调用之后被抽象出来，甚至强大的 pytorch 都在下面，你甚至不需要知道它就能获得好的结果。当然，专家总是需要的，但他将是少数。数据科学将是软件工程师知识库中的一个简单工具包。