首先，我认为这个问题既宽泛又基于观点，但大多数人并不这么认为。我会解释为什么：

数据科学是一个与它所应用的行业非常不同的领域，因此非常基于应用程序。

例如：像我这样在增长和客户支持领域的人，我使用马尔可夫模型和强化学习，因为客户的移动很可能被建模为（随机）图。所以，当我想招聘某个人加入我的团队时，我会寻找图论技能、线性代数（显然）和统计学。

然而，对于在使用 NLP 的领域工作的人来说，所需的数学是不同的，数据科学的所有其他应用也是如此。

但是，根据我的说法，一些非常重要的课程可以帮助某人走上数据科学家的道路：

1. 线性代数
2. 统计数据
3. 概率论
4. 离散数学
5. 分析方法（数值分析将是一个接近精确的名称）

有人会争辩说信息论也很重要，但是我在日常工作中并没有真正大量使用它，所以我认为它不是绝对必要的。

有用的帖子