好问题！我很感激你有一个统计数据可以使用。大多数数据科学家——尤其是那些去这些数据“营地”或其他什么的——没有这个，它应该在你的职业生涯中为你服务。以下是您的问题的一些答案，按顺序排列：

1. 你的背景会对你有所帮助，因为你习惯于学习设计和执行以及处理数据等事情。但我没有看到任何特定于 HCI 的内容会对您有所帮助。当你是一名优秀的数据科学家时，数据本身就显得不那么重要了。现在，当我从事一个项目时，我关心数据是以可持续的方式收集的，但数据是什么并不重要。最终你也会达到这个目标——这只是数字和数学:-)
2. 你有统计方面。所以现在您需要 (1) 编程技能和 (2) 建模技能。你应该选择学习像 Python 或 R 这样的语言并在那里发展你的技能。从那里开始，您应该开始查看相关库，例如 Tensorflow 和 Keras，以帮助您建立建模技能。您还应该选择一本教科书或其他一些资源，这些资源会讨论模型实际做什么以及如何调整它们，与您选择的语言无关。最后，您将准备好对神经网络及其工作原理进行一些研究。这里成功的衡量标准是能够在 Tensorflow 中编写一些“传统”模型（如回归、决策树等），并且还能够在 Keras 中编写神经网络。

我认为你已经在实验和（大概）应用科学方法的基础将很好地为你服务，并且已经让你领先于大多数数据科学家。现在，只需能够用代码完成所有这些工作，如果您按照上述步骤操作，我想您将看到这些联系以及如何进入数据科学世界。

我建议您阅读 Gareth James 的《统计学习简介》。请务必在 Coursera 上查看 Andre Ng 的机器学习简介。真的很好地理解了数据科学的全部意义。选择 R 或 Python，查看 Kaggle.com，你会更好地了解下一步应该做什么

根据你想成为什么样的数据科学家，你可能已经准备好开始疯狂地申请工作了。我工作的数据科学研发团队（在一家财富 5 强公司）倾向于重视具有技术背景的批判性思维技能，而不是任何用某种语言编程的能力或实现任何单一模型的能力。

这取决于数据科学的职位，但在行业中，人们非常关注收集好的数据，而不是调整算法。工业中通常使用更简单的模型。数据科学家通常是面向客户（或利益相关者）的，因为他们是了解他们需要什么数据的最佳人选。他们也是谈论结果的最佳人选。一定要考虑这个角度。

我相信这个问题应该给你一些见解：https ://stats.stackexchange.com/questions/355390/industry-vs-kaggle-challenges-is-collecting-more-observations-and-having-access/355524#355524