最近不少網(wǎng)友向我咨詢(xún)?nèi)绾螌W(xué)習(xí)大數(shù)據(jù)技術(shù)？大數(shù)據(jù)怎么入門(mén)？怎么做大數(shù)據(jù)分析？數(shù)據(jù)科學(xué)需要學(xué)習(xí)那些技術(shù)？大數(shù)據(jù)的應(yīng)用前景等等問(wèn)題。由于大數(shù)據(jù)技術(shù)涉及內(nèi)容太龐雜，大數(shù)據(jù)應(yīng)用領(lǐng)域廣泛，而且各領(lǐng)域和方向采用的關(guān)鍵技術(shù)差異性也會(huì)較大，難以三言?xún)烧Z(yǔ)說(shuō)清楚，本文從數(shù)據(jù)科學(xué)和大數(shù)據(jù)關(guān)鍵技術(shù)體系角度，來(lái)說(shuō)說(shuō)大數(shù)據(jù)的核心技術(shù)什么，到底要怎么學(xué)習(xí)它，以及怎么避免大數(shù)據(jù)學(xué)習(xí)的誤區(qū)，以供參考。

專(zhuān)注于為中小企業(yè)提供成都網(wǎng)站設(shè)計(jì)、做網(wǎng)站、成都外貿(mào)網(wǎng)站建設(shè)公司服務(wù),電腦端+手機(jī)端+微信端的三站合一,更高效的管理,為中小企業(yè)安順免費(fèi)做網(wǎng)站提供優(yōu)質(zhì)的服務(wù)。我們立足成都，凝聚了一批互聯(lián)網(wǎng)行業(yè)人才，有力地推動(dòng)了近千家企業(yè)的穩(wěn)健成長(zhǎng)，幫助中小企業(yè)通過(guò)網(wǎng)站建設(shè)實(shí)現(xiàn)規(guī)模擴(kuò)充和轉(zhuǎn)變。

1．大數(shù)據(jù)應(yīng)用的目標(biāo)是普適智能

要學(xué)好大數(shù)據(jù)，首先要明確大數(shù)據(jù)應(yīng)用的目標(biāo)，我曾經(jīng)講過(guò)大數(shù)據(jù)就好比萬(wàn)金油，像百度幾年前提的框計(jì)算，這個(gè)框什么都能往里裝。為什么會(huì)這樣，因?yàn)榇髷?shù)據(jù)這個(gè)框太大，其終極目標(biāo)是利用一系列信息技術(shù)實(shí)現(xiàn)海量數(shù)據(jù)條件下的人類(lèi)深度洞察和決策智能化，最終走向普適的人機(jī)智能融合！這不僅是傳統(tǒng)信息化管理的擴(kuò)展延伸，也是人類(lèi)社會(huì)發(fā)展管理智能化的核心技術(shù)驅(qū)動(dòng)力。通過(guò)大數(shù)據(jù)應(yīng)用，面向過(guò)去，發(fā)現(xiàn)數(shù)據(jù)規(guī)律，歸納已知；面向未來(lái)，挖掘數(shù)據(jù)趨勢(shì)，預(yù)測(cè)未知。從而提高人們對(duì)事物的理解和決策處置能力，最終實(shí)現(xiàn)社會(huì)的普適智能。不管是商業(yè)智能，機(jī)器智能，人工智能，還是智能客服，智能問(wèn)答，智能推薦，智慧醫(yī)療、智慧交通等相關(guān)技術(shù)和系統(tǒng)，其本質(zhì)都是朝著這一目標(biāo)在演進(jìn)。隨著云計(jì)算平臺(tái)和大數(shù)據(jù)技術(shù)的高速發(fā)展，獲得大數(shù)據(jù)基礎(chǔ)設(shè)施建設(shè)相關(guān)技術(shù)和支持越來(lái)越容易。同時(shí)，移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)所具備的全面數(shù)據(jù)采集能力，客觀上促進(jìn)了大數(shù)據(jù)的積累和爆發(fā)?？傊髷?shù)據(jù)就是個(gè)大框，什么都能往里裝，大數(shù)據(jù)源的采集如果用傳感器的話(huà)離不開(kāi)物聯(lián)網(wǎng)、大數(shù)據(jù)源的采集用智能手機(jī)的話(huà)離不開(kāi)移動(dòng)互聯(lián)網(wǎng)，大數(shù)據(jù)海量數(shù)據(jù)存儲(chǔ)要高擴(kuò)展就離不開(kāi)云計(jì)算，大數(shù)據(jù)計(jì)算分析采用傳統(tǒng)的機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘技術(shù)會(huì)比較慢，需要做并行計(jì)算和分布式計(jì)算擴(kuò)展，大數(shù)據(jù)要自動(dòng)特征工程離不開(kāi)深度學(xué)習(xí)、大數(shù)據(jù)要互動(dòng)展示離不開(kāi)可視化，而面向特定領(lǐng)域和多模態(tài)數(shù)據(jù)的大數(shù)據(jù)分析技術(shù)更是十分廣泛，金融大數(shù)據(jù)、交通大數(shù)據(jù)、醫(yī)療大數(shù)據(jù)、安全大數(shù)據(jù)、電信大數(shù)據(jù)、電商大數(shù)據(jù)、社交大數(shù)據(jù)，文本大數(shù)據(jù)、圖像大數(shù)據(jù)、視頻大數(shù)據(jù)…諸如此類(lèi)等等范圍太廣，所以首先我們要搞清楚大數(shù)據(jù)應(yīng)用的核心目標(biāo)，這個(gè)明確之后，才利于結(jié)合不同行業(yè)特點(diǎn)把握住共性關(guān)鍵技術(shù)，從而有針對(duì)性的學(xué)習(xí)。

圖1 國(guó)外大數(shù)據(jù)企業(yè)關(guān)系圖，傳統(tǒng)信息技術(shù)企業(yè)也在向智能化發(fā)展，與新興大數(shù)據(jù)企業(yè)互為競(jìng)爭(zhēng)和支持。

2．從大數(shù)據(jù)版圖看數(shù)據(jù)科學(xué)及其關(guān)鍵技術(shù)體系

明確大數(shù)據(jù)應(yīng)用目標(biāo)之后，我們?cè)倏纯磾?shù)據(jù)科學(xué)（Data Science），數(shù)據(jù)科學(xué)可以理解為一個(gè)跨多學(xué)科領(lǐng)域的，從數(shù)據(jù)中獲取知識(shí)的科學(xué)方法，技術(shù)和系統(tǒng)集合，其目標(biāo)是從數(shù)據(jù)中提取出有價(jià)值的信息，它結(jié)合了諸多領(lǐng)域中的理論和技術(shù)，包括應(yīng)用數(shù)學(xué)，統(tǒng)計(jì)，模式識(shí)別，機(jī)器學(xué)習(xí)，人工智能，深度學(xué)習(xí)，數(shù)據(jù)可視化，數(shù)據(jù)挖掘，數(shù)據(jù)倉(cāng)庫(kù)，以及高性能計(jì)算等。圖靈獎(jiǎng)得主Jim Gray把數(shù)據(jù)科學(xué)喻為科學(xué)的“第四范式”（經(jīng)驗(yàn)、理論、計(jì)算和數(shù)據(jù)驅(qū)動(dòng)），并斷言因?yàn)樾畔⒓夹g(shù)的影響和數(shù)據(jù)的泛濫增長(zhǎng)，未來(lái)不管什么領(lǐng)域的科學(xué)問(wèn)題都將由數(shù)據(jù)所驅(qū)動(dòng)。

在這里我還是要推薦下我自己建的大數(shù)據(jù)學(xué)習(xí)交流裙：532+二一八加上147，裙里都是學(xué)大數(shù)據(jù)開(kāi)發(fā)的，如果你正在學(xué)習(xí)大數(shù)據(jù) ，小編歡迎你加入，大家都是軟件開(kāi)發(fā)黨，不定期分享干貨（只有大數(shù)據(jù)開(kāi)發(fā)相關(guān)的），包括我自己整理的一份2018最新的大數(shù)據(jù)進(jìn)階資料和高級(jí)開(kāi)發(fā)教程，歡迎進(jìn)階中和進(jìn)想深入大數(shù)據(jù)的小伙伴

圖2 典型的數(shù)據(jù)科學(xué)過(guò)程：包括原始數(shù)據(jù)采集，數(shù)據(jù)預(yù)處理和清洗，數(shù)據(jù)探索式分析，數(shù)據(jù)計(jì)算建模，數(shù)據(jù)可視化和報(bào)表，數(shù)據(jù)產(chǎn)品和決策支持等。

傳統(tǒng)信息化技術(shù)多是在結(jié)構(gòu)化和小規(guī)模數(shù)據(jù)上進(jìn)行計(jì)算處理，大數(shù)據(jù)時(shí)代呢，數(shù)據(jù)變大了，數(shù)據(jù)多源異構(gòu)了，需要智能預(yù)測(cè)和分析支持了，所以核心技術(shù)離不開(kāi)機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、人工智能等，另外還需考慮海量數(shù)據(jù)的分布式存儲(chǔ)管理和機(jī)器學(xué)習(xí)算法并行處理，所以數(shù)據(jù)的大規(guī)模增長(zhǎng)客觀上促進(jìn)了DT（Data Technology）技術(shù)生態(tài)的繁榮與發(fā)展，包括大數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、分布式存儲(chǔ)、NoSql數(shù)據(jù)庫(kù)、多模式計(jì)算（批處理、在線(xiàn)處理、實(shí)時(shí)流處理、內(nèi)存處理）、多模態(tài)計(jì)算（圖像、文本、視頻、音頻）、數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能、深度學(xué)習(xí)、并行計(jì)算、可視化等各種技術(shù)范疇和不同的層面?？梢?jiàn)DT這種新技術(shù)泛型生態(tài)下的大數(shù)據(jù)版圖十分龐雜，當(dāng)然也有泡沫的成分存在，這個(gè)版圖也會(huì)時(shí)刻處于變化之中，就像PC時(shí)代的應(yīng)用程序，互聯(lián)網(wǎng)上的網(wǎng)站，移動(dòng)互聯(lián)網(wǎng)的APP，大數(shù)據(jù)時(shí)代的技術(shù)和產(chǎn)品也正處于優(yōu)勝劣汰的過(guò)程。下面我們來(lái)看2017版的大數(shù)據(jù)版圖：

圖3 國(guó)外和國(guó)內(nèi)中關(guān)村大數(shù)據(jù)產(chǎn)業(yè)版圖（包括數(shù)據(jù)、技術(shù)、應(yīng)用、企業(yè)等）

上述大數(shù)據(jù)版圖基本涵蓋了國(guó)外大數(shù)據(jù)相關(guān)技術(shù)和產(chǎn)業(yè)鏈（國(guó)內(nèi)中關(guān)村版的大數(shù)據(jù)技術(shù)和企業(yè)還是太少，多是傳統(tǒng)信息技術(shù)企業(yè)在湊數(shù)），從大數(shù)據(jù)源，開(kāi)源技術(shù)框架，大數(shù)據(jù)基礎(chǔ)設(shè)施建設(shè)，大數(shù)據(jù)核心的計(jì)算挖掘分析，大數(shù)據(jù)行業(yè)應(yīng)用等方面進(jìn)行了相關(guān)技術(shù)、產(chǎn)品和企業(yè)的展示。大數(shù)據(jù)產(chǎn)業(yè)鏈從數(shù)據(jù)源〉開(kāi)源技術(shù)〉基礎(chǔ)設(shè)施〉分析計(jì)算〉行業(yè)應(yīng)用到產(chǎn)品落地，每個(gè)鏈條環(huán)節(jié)和下轄的細(xì)分內(nèi)容都涉及大量數(shù)據(jù)分析技術(shù)。不管是學(xué)習(xí)技術(shù)還是開(kāi)發(fā)產(chǎn)品，分析和理解這個(gè)大數(shù)據(jù)產(chǎn)業(yè)版圖都十分必要。版圖細(xì)節(jié)不做贅述，我們重點(diǎn)從學(xué)習(xí)的角度來(lái)看DT（Data technology）技術(shù)泛型下包括那些核心技術(shù)，各技術(shù)領(lǐng)域之間是什么樣的邏輯關(guān)系，這是學(xué)習(xí)大數(shù)據(jù)首先要搞清楚的問(wèn)題：

（1）機(jī)器學(xué)習(xí)（machine learning）：首先我們說(shuō)說(shuō)機(jī)器學(xué)習(xí)，為什么先說(shuō)它，因?yàn)闄C(jī)器學(xué)習(xí)是大數(shù)據(jù)處理承上啟下的關(guān)鍵技術(shù)，機(jī)器學(xué)習(xí)往上是深度學(xué)習(xí)、人工智能，機(jī)器學(xué)習(xí)往下是數(shù)據(jù)挖掘和統(tǒng)計(jì)學(xué)習(xí)。機(jī)器學(xué)習(xí)屬于計(jì)算機(jī)和統(tǒng)計(jì)學(xué)交叉學(xué)科，核心目標(biāo)是通過(guò)函數(shù)映射、數(shù)據(jù)訓(xùn)練、最優(yōu)化求解、模型評(píng)估等一系列算法實(shí)現(xiàn)讓計(jì)算機(jī)擁有對(duì)數(shù)據(jù)進(jìn)行自動(dòng)分類(lèi)和預(yù)測(cè)的功能，機(jī)器學(xué)習(xí)領(lǐng)域包括很多種類(lèi)的智能處理算法，分類(lèi)、聚類(lèi)、回歸、相關(guān)分析等每類(lèi)下面都有很多算法進(jìn)行支撐，如SVM，神經(jīng)網(wǎng)絡(luò)，Logistic回歸，決策樹(shù)、EM、HMM、貝葉斯網(wǎng)絡(luò)、隨機(jī)森林、LDA等，無(wú)論是網(wǎng)絡(luò)排名的十大算法還是二十大算法，都只能說(shuō)是冰山一角，隨著深度學(xué)習(xí)核心技術(shù)的突破性發(fā)展，機(jī)器學(xué)習(xí)算法得以高速擴(kuò)張；總之大數(shù)據(jù)處理要智能化，機(jī)器學(xué)習(xí)是核心的核心，深度學(xué)習(xí)、數(shù)據(jù)挖掘、商業(yè)智能、人工智能，大數(shù)據(jù)等概念的核心技術(shù)就是機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)用于圖像處理和識(shí)別就是機(jī)器視覺(jué)，機(jī)器學(xué)習(xí)用于模擬人類(lèi)語(yǔ)言就是自然語(yǔ)言處理，機(jī)器視覺(jué)和自然語(yǔ)言處理也是支撐人工智能的核心技術(shù)，機(jī)器學(xué)習(xí)用于通用的數(shù)據(jù)分析就是數(shù)據(jù)挖掘。深度學(xué)習(xí)（deep learning）是機(jī)器學(xué)習(xí)里面現(xiàn)在比較火的一個(gè)子領(lǐng)域，屬于原來(lái)人工神經(jīng)網(wǎng)絡(luò)算法的一系列變種，由于在大數(shù)據(jù)條件下圖像，語(yǔ)音識(shí)別等領(lǐng)域的學(xué)習(xí)效果顯著，有望成為人工智能取得突破的關(guān)鍵性技術(shù)，所以各大研究機(jī)構(gòu)和IT巨頭們都對(duì)其投入了極大的關(guān)注。

（2）數(shù)據(jù)挖掘（data mining），數(shù)據(jù)挖掘可以說(shuō)是機(jī)器學(xué)習(xí)的一個(gè)超集，是一個(gè)較為寬泛的概念，類(lèi)似于采礦，要從大量礦石里面挖出寶石，從海量數(shù)據(jù)里面挖掘有價(jià)值有規(guī)律的信息同理。數(shù)據(jù)挖掘核心技術(shù)來(lái)自于機(jī)器學(xué)習(xí)領(lǐng)域，如深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一類(lèi)比較火的算法，當(dāng)然也可以用于數(shù)據(jù)挖掘。還有傳統(tǒng)的商業(yè)智能（BI）領(lǐng)域也包括數(shù)據(jù)挖掘，OLAP多維數(shù)據(jù)分析可以做挖掘分析，甚至Excel基本的統(tǒng)計(jì)分析也可以做挖掘。關(guān)鍵是你的技術(shù)能否真正挖掘出有用的信息，然后這些信息可以指導(dǎo)決策。數(shù)據(jù)挖掘的提法比機(jī)器學(xué)習(xí)要早，應(yīng)用范圍要廣，數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)是大數(shù)據(jù)分析的核心技術(shù)，互為支撐，為大數(shù)據(jù)處理提供相關(guān)模型和算法，而模型和算法是大數(shù)據(jù)處理的關(guān)鍵，探索式交互式分析、可視化分析、數(shù)據(jù)的采集存儲(chǔ)和管理等都較少用到學(xué)習(xí)模型。

（3）人工智能（artifical intelligence），AI和大數(shù)據(jù)是相互促進(jìn)的關(guān)系，一方面，AI基礎(chǔ)理論技術(shù)的發(fā)展為大數(shù)據(jù)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘提供了更豐富的模型和算法，如近幾年的深度學(xué)習(xí)一系列技術(shù)（強(qiáng)化學(xué)習(xí)、對(duì)抗學(xué)習(xí)等）和方法；另一方面，大數(shù)據(jù)為AI的發(fā)展提供了新的動(dòng)力和燃料，數(shù)據(jù)規(guī)模大了之后，傳統(tǒng)機(jī)器學(xué)習(xí)算法面臨挑戰(zhàn)，要做并行化、要加速要改進(jìn)。AI的終極目標(biāo)是機(jī)器智能化擬人化，機(jī)器能完成和人一樣的工作，人腦僅憑幾十瓦的功率，能夠處理種種復(fù)雜的問(wèn)題，怎樣看都是很神奇的事情。雖然機(jī)器的計(jì)算能力比人類(lèi)強(qiáng)很多，但人類(lèi)的理解能力，感性的推斷，記憶和幻想，心理學(xué)等方面的功能，機(jī)器是難以比肩的，所以機(jī)器要擬人化很難單從技術(shù)角度把人工智能講清楚。人工智能與機(jī)器學(xué)習(xí)的關(guān)系，兩者的相當(dāng)一部分技術(shù)、算法都是重合的，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)和×××走步等領(lǐng)域取得了巨大的成功，比如谷歌自動(dòng)識(shí)別一只貓，谷歌的AlpaGo還擊敗了人類(lèi)頂級(jí)的專(zhuān)業(yè)圍棋手等。但深度學(xué)習(xí)在現(xiàn)階段還不能實(shí)現(xiàn)類(lèi)腦計(jì)算，最多達(dá)到仿生層面，情感，記憶，認(rèn)知，經(jīng)驗(yàn)等人類(lèi)獨(dú)有能力機(jī)器在短期難以達(dá)到。

（4）其它大數(shù)據(jù)處理基礎(chǔ)技術(shù)，如圖4，大數(shù)據(jù)基礎(chǔ)技術(shù)包括計(jì)算機(jī)科學(xué)相關(guān)如編程、云計(jì)算、分布式計(jì)算、系統(tǒng)架構(gòu)設(shè)計(jì)等方向，還有機(jī)器學(xué)習(xí)的理論基礎(chǔ)包括如算法、數(shù)據(jù)結(jié)構(gòu)、概率論、代數(shù)、矩陣分析、統(tǒng)計(jì)學(xué)習(xí)、特征工程等方面；商業(yè)分析與理解如領(lǐng)域知識(shí)管理、產(chǎn)品設(shè)計(jì)、可視化等技術(shù)；數(shù)據(jù)管理如數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、信息檢索、多維分析、分布式存儲(chǔ)等技術(shù)。這些理論與技術(shù)是為大數(shù)據(jù)的基礎(chǔ)管理、機(jī)器學(xué)習(xí)和應(yīng)用決策等多個(gè)方面服務(wù)的。

圖4 數(shù)據(jù)科學(xué)的技術(shù)維度

上圖是數(shù)據(jù)科學(xué)的5個(gè)技術(shù)維度，基本涵蓋了數(shù)據(jù)科學(xué)的關(guān)鍵支撐技術(shù)體系，從數(shù)據(jù)管理、計(jì)算機(jī)科學(xué)基礎(chǔ)理論技術(shù)、數(shù)據(jù)分析、商業(yè)理解決策與設(shè)計(jì)幾個(gè)方面進(jìn)行了數(shù)據(jù)科學(xué)相關(guān)技術(shù)的梳理，其中計(jì)算機(jī)科學(xué)基礎(chǔ)理論方法與數(shù)據(jù)分析兩個(gè)板塊的學(xué)習(xí)內(nèi)容是最多的，也是最重要的?，F(xiàn)階段的大數(shù)據(jù)產(chǎn)品和服務(wù)多是在數(shù)據(jù)管理版塊，分析板塊和業(yè)務(wù)決策板塊的對(duì)接是數(shù)據(jù)科學(xué)和大數(shù)據(jù)產(chǎn)業(yè)后續(xù)發(fā)展的關(guān)鍵突破點(diǎn)。

另外圖中的Art&Design版塊只列了交通溝通和可視化，其實(shí)還不夠，這個(gè)藝術(shù)（Art）還說(shuō)明了數(shù)據(jù)科學(xué)與傳統(tǒng)信息化技術(shù)的本質(zhì)不同，數(shù)據(jù)科學(xué)的核心能力是根據(jù)問(wèn)題提出設(shè)想，再把設(shè)想轉(zhuǎn)化為學(xué)習(xí)模型，這種能力是要講藝術(shù)的，沒(méi)有這樣的設(shè)計(jì)藝術(shù)，計(jì)算機(jī)要智能化不是那么容易。為什么上升為藝術(shù)了？因?yàn)榻?jīng)驗(yàn)告訴我們，把現(xiàn)實(shí)問(wèn)題轉(zhuǎn)化為模型沒(méi)有標(biāo)準(zhǔn)答案，可選的模型不只一種，技術(shù)路線(xiàn)多樣，評(píng)價(jià)指標(biāo)也有多個(gè)維度，甚至優(yōu)化方法也有很多種，機(jī)器學(xué)習(xí)的本質(zhì)就是在處理這門(mén)藝術(shù)，給定原始數(shù)據(jù)、限制條件和問(wèn)題描述，沒(méi)有標(biāo)準(zhǔn)答案，每種方案的選擇就是一種設(shè)想假設(shè)，需要具備利用精確的測(cè)試和實(shí)驗(yàn)方法來(lái)驗(yàn)證和證偽這些假設(shè)的能力，從這個(gè)層面講，未來(lái)所有科學(xué)問(wèn)題以及商業(yè)、政府管理決策問(wèn)題都將是數(shù)據(jù)科學(xué)問(wèn)題，而機(jī)器學(xué)習(xí)是數(shù)據(jù)科學(xué)的核心。

3．大數(shù)據(jù)盲人摸象：如何構(gòu)建完整的知識(shí)結(jié)構(gòu)和分析能力

從數(shù)字化、信息化、網(wǎng)絡(luò)化到未來(lái)的智能化時(shí)代，移動(dòng)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、人工智能等前沿信息技術(shù)領(lǐng)域，逐個(gè)火了一遍。也代表了信息技術(shù)發(fā)展的大趨勢(shì)，什么是大數(shù)據(jù)，大數(shù)據(jù)的技術(shù)范疇及其邏輯關(guān)系，估計(jì)很多人都是根據(jù)自己所熟悉的領(lǐng)域在盲人摸象（如圖5）。其實(shí)我這里講的盲人摸象并不是貶義，畢竟一個(gè)領(lǐng)域的學(xué)習(xí)到精通就是從盲人摸象式開(kāi)始的。大數(shù)據(jù)、數(shù)據(jù)科學(xué)都是很虛的一個(gè)概念，分析目標(biāo)和采用技術(shù)都包羅萬(wàn)象，就好比寫(xiě)程序，分前端和后端，分B/S和C/S，分嵌入式、企業(yè)應(yīng)用和APP等，開(kāi)發(fā)語(yǔ)言更是有數(shù)十種，不同方向所需要的技術(shù)也是大不相同。

圖5 大數(shù)據(jù)盲人摸象

所以怎么從點(diǎn)到面，構(gòu)建大數(shù)據(jù)領(lǐng)域完整的知識(shí)結(jié)構(gòu)和分析能力至關(guān)重要，某方面的技術(shù)和語(yǔ)言只是工具而已。大數(shù)據(jù)知識(shí)結(jié)構(gòu)，就是既有精深的大數(shù)據(jù)基礎(chǔ)理論知識(shí)，又有廣博的知識(shí)面和應(yīng)用全局觀，具有大數(shù)據(jù)產(chǎn)業(yè)發(fā)展所需要的最合理、最優(yōu)化、最關(guān)鍵的核心技術(shù)與知識(shí)體系。通過(guò)合理的知識(shí)結(jié)構(gòu)和科學(xué)的大數(shù)據(jù)思維方法，提高大數(shù)據(jù)分析實(shí)戰(zhàn)技能。這個(gè)目標(biāo)很大，但還是可以達(dá)到的，首先要搞清楚大數(shù)據(jù)產(chǎn)業(yè)鏈的情況，接下來(lái)要明確大數(shù)據(jù)技術(shù)棧也就是相關(guān)技術(shù)體系，最后定下學(xué)習(xí)目標(biāo)和應(yīng)用方向，是面對(duì)什么行業(yè)的數(shù)據(jù)，是關(guān)注存儲(chǔ)還是機(jī)器學(xué)習(xí)，數(shù)據(jù)規(guī)模是什么量級(jí)，數(shù)據(jù)類(lèi)型是文本、圖像、網(wǎng)頁(yè)還是商業(yè)數(shù)據(jù)庫(kù)？每個(gè)方向所用技術(shù)有較大差異，需要找準(zhǔn)學(xué)習(xí)的興趣點(diǎn)和切入點(diǎn)。

圖6 大數(shù)據(jù)技術(shù)棧與學(xué)習(xí)路線(xiàn)參考圖

上面這個(gè)大數(shù)據(jù)技術(shù)棧和學(xué)習(xí)路線(xiàn)圖，可以說(shuō)是一個(gè)大數(shù)據(jù)學(xué)習(xí)的總綱，專(zhuān)業(yè)性很強(qiáng)，值得初學(xué)者深入研究和理解，對(duì)我在前面提到的數(shù)據(jù)科學(xué)技術(shù)體系來(lái)講，是更豐富的補(bǔ)充。比如基礎(chǔ)學(xué)習(xí)部分包括線(xiàn)性代數(shù)、關(guān)系代數(shù)、數(shù)據(jù)庫(kù)基礎(chǔ)、CAP理論、OLAP、多維數(shù)據(jù)模型、數(shù)據(jù)預(yù)處理ETL等都分析得很到位?？傊髷?shù)據(jù)學(xué)習(xí)不能像炒菜一樣，等到把所有材料準(zhǔn)備好了才下鍋（因?yàn)檫@個(gè)領(lǐng)域技術(shù)體系龐雜應(yīng)用目標(biāo)廣泛，就算學(xué)個(gè)十年二十年也難以掌握其大部分核心理論技術(shù)），而是結(jié)合自己的興趣或工作需求，找一個(gè)點(diǎn)猛扎進(jìn)去，掌握這個(gè)點(diǎn)的相關(guān)技術(shù)，深入理解其分析的流程、應(yīng)用和評(píng)價(jià)等環(huán)節(jié)，搞透徹一個(gè)點(diǎn)之后，再以點(diǎn)帶面，舉一反三，逐步覆蓋大數(shù)據(jù)各個(gè)領(lǐng)域，從而構(gòu)建完整的知識(shí)結(jié)構(gòu)和技術(shù)能力體系，這才是大數(shù)據(jù)學(xué)習(xí)的最佳路徑。

4．大數(shù)據(jù)要怎么學(xué)：數(shù)據(jù)科學(xué)特點(diǎn)與大數(shù)據(jù)學(xué)習(xí)誤區(qū)

（1）大數(shù)據(jù)學(xué)習(xí)要業(yè)務(wù)驅(qū)動(dòng)，不要技術(shù)驅(qū)動(dòng)：數(shù)據(jù)科學(xué)的核心能力是解決問(wèn)題。大數(shù)據(jù)的核心目標(biāo)是數(shù)據(jù)驅(qū)動(dòng)的智能化，要解決具體的問(wèn)題，不管是科學(xué)研究問(wèn)題，還是商業(yè)決策問(wèn)題，抑或是政府管理問(wèn)題。所以學(xué)習(xí)之前要明確問(wèn)題，理解問(wèn)題，所謂問(wèn)題導(dǎo)向、目標(biāo)導(dǎo)向，這個(gè)明確之后再研究和選擇合適的技術(shù)加以應(yīng)用，這樣才有針對(duì)性，言必hadoop,spark的大數(shù)據(jù)分析是不嚴(yán)謹(jǐn)?shù)?。不同的業(yè)務(wù)領(lǐng)域需要不同方向理論、技術(shù)和工具的支持。如文本、網(wǎng)頁(yè)要自然語(yǔ)言建模，隨時(shí)間變化數(shù)據(jù)流需要序列建模，圖像音頻和視頻多是時(shí)空混合建模；大數(shù)據(jù)處理如采集需要爬蟲(chóng)、倒入導(dǎo)出和預(yù)處理等支持，存儲(chǔ)需要分布式云存儲(chǔ)、云計(jì)算資源管理等支持，計(jì)算需要分類(lèi)、預(yù)測(cè)、描述等模型支持，應(yīng)用需要可視化、知識(shí)庫(kù)、決策評(píng)價(jià)等支持。所以是業(yè)務(wù)決定技術(shù)，而不是根據(jù)技術(shù)來(lái)考慮業(yè)務(wù)，這是大數(shù)據(jù)學(xué)習(xí)要避免的第一個(gè)誤區(qū)。

（2）大數(shù)據(jù)學(xué)習(xí)要善用開(kāi)源，不要重復(fù)造輪子：數(shù)據(jù)科學(xué)的技術(shù)基因在于開(kāi)源。IT前沿領(lǐng)域的開(kāi)源化已成不可逆轉(zhuǎn)的趨勢(shì)，Android開(kāi)源讓智能手機(jī)平民化，讓我們跨入了移動(dòng)互聯(lián)網(wǎng)時(shí)代，智能硬件開(kāi)源將帶領(lǐng)跨入物聯(lián)網(wǎng)時(shí)代，以Hadoop和Spark為代表的大數(shù)據(jù)開(kāi)源生態(tài)加速了去IOE（IBM、ORACLE、EMC）進(jìn)程，倒逼傳統(tǒng)IT巨頭擁抱開(kāi)源，谷歌和OpenAI聯(lián)盟的深度學(xué)習(xí)開(kāi)源（以Tensorflow,Torch,Caffe等為代表）正在加速人工智能技術(shù)的發(fā)展。數(shù)據(jù)科學(xué)的標(biāo)配語(yǔ)言R和Python更是因開(kāi)源而生，因開(kāi)源而繁榮，諾基亞因沒(méi)把握開(kāi)源大勢(shì)而衰落。為什么要開(kāi)源，這得益于IT發(fā)展的工業(yè)化和構(gòu)件化，各大領(lǐng)域的基礎(chǔ)技術(shù)棧和工具庫(kù)已經(jīng)很成熟，下一階段就是怎么快速組合、快速搭積木、快速產(chǎn)出的問(wèn)題，不管是linux,anroid還是tensorflow，其基礎(chǔ)構(gòu)件庫(kù)基本就是利用已有開(kāi)源庫(kù)，結(jié)合新的技術(shù)方法實(shí)現(xiàn)，組合構(gòu)建而成，很少在重復(fù)造輪子。另外，開(kāi)源這種眾包開(kāi)發(fā)模式，是一種集體智慧編程的體現(xiàn)，一個(gè)公司無(wú)法積聚全球工程師的開(kāi)發(fā)智力，而一個(gè)GitHub上的明星開(kāi)源項(xiàng)目可以，所以要善用開(kāi)源和集體智慧編程，而不要重復(fù)造輪子，這是大數(shù)據(jù)學(xué)習(xí)要避免的第二個(gè)誤區(qū)。

（3）大數(shù)據(jù)學(xué)習(xí)要以點(diǎn)帶面，不貪大求全：數(shù)據(jù)科學(xué)要把握好碎片化與系統(tǒng)性。根據(jù)前文的大數(shù)據(jù)技術(shù)體系分析，我們可以看到大數(shù)據(jù)技術(shù)的深度和廣度都是傳統(tǒng)信息技術(shù)難以比擬的。我們的精力很有限，短時(shí)間內(nèi)很難掌握多個(gè)領(lǐng)域的大數(shù)據(jù)理論和技術(shù)，數(shù)據(jù)科學(xué)要把握好碎片化和系統(tǒng)性的關(guān)系。何為碎片化，這個(gè)碎片化包括業(yè)務(wù)層面和技術(shù)層面，大數(shù)據(jù)不只是谷歌，亞馬遜，BAT等互聯(lián)網(wǎng)企業(yè)，每一個(gè)行業(yè)、企業(yè)里面都有它去關(guān)注數(shù)據(jù)的痕跡：一條生產(chǎn)線(xiàn)上的實(shí)時(shí)傳感器數(shù)據(jù)，車(chē)輛身上的傳感數(shù)據(jù)，高鐵設(shè)備的運(yùn)行狀態(tài)數(shù)據(jù)，交通部門(mén)的監(jiān)控?cái)?shù)據(jù)，醫(yī)療機(jī)構(gòu)的病例數(shù)據(jù)，政府部門(mén)的海量數(shù)據(jù)等等，大數(shù)據(jù)的業(yè)務(wù)場(chǎng)景和分析目標(biāo)是碎片化的，而且相互之間分析目標(biāo)的差異很大；另外，技術(shù)層面來(lái)講，大數(shù)據(jù)技術(shù)就是萬(wàn)金油，一切服務(wù)于數(shù)據(jù)分析和決策的技術(shù)都屬于這個(gè)范疇，其技術(shù)體系也是碎片化的。那怎么把握系統(tǒng)性呢，不同領(lǐng)域的大數(shù)據(jù)應(yīng)用有其共性關(guān)鍵技術(shù)，其系統(tǒng)技術(shù)架構(gòu)也有相通的地方，如系統(tǒng)的高度可擴(kuò)展性，能進(jìn)行橫向數(shù)據(jù)大規(guī)模擴(kuò)張，縱向業(yè)務(wù)大規(guī)模擴(kuò)展，高容錯(cuò)性和多源異構(gòu)環(huán)境的支持，對(duì)原有系統(tǒng)的兼容和集成等等，每個(gè)大數(shù)據(jù)系統(tǒng)都應(yīng)該考慮上述問(wèn)題。如何把握大數(shù)據(jù)的碎片化學(xué)習(xí)和系統(tǒng)性設(shè)計(jì)，離不開(kāi)前面提出的兩點(diǎn)誤區(qū)，建議從應(yīng)用切入、以點(diǎn)帶面，先從一個(gè)實(shí)際的應(yīng)用領(lǐng)域需求出發(fā)，搞定一個(gè)一個(gè)技術(shù)點(diǎn)，有一定功底之后，再舉一反三橫向擴(kuò)展逐步理解其系統(tǒng)性技術(shù)。

（4）大數(shù)據(jù)學(xué)習(xí)要勇于實(shí)踐，不要紙上談兵：數(shù)據(jù)科學(xué)還是數(shù)據(jù)工程？大數(shù)據(jù)只有和特定領(lǐng)域的應(yīng)用結(jié)合起來(lái)才能產(chǎn)生價(jià)值，數(shù)據(jù)科學(xué)還是數(shù)據(jù)工程是大數(shù)據(jù)學(xué)習(xí)要明確的關(guān)鍵問(wèn)題，搞學(xué)術(shù)發(fā)paper數(shù)據(jù)科學(xué)OK，但要大數(shù)據(jù)應(yīng)用落地，如果把數(shù)據(jù)科學(xué)成果轉(zhuǎn)化為數(shù)據(jù)工程進(jìn)行落地應(yīng)用，難度很大，這也是很多企業(yè)質(zhì)疑數(shù)據(jù)科學(xué)價(jià)值的原因。且不說(shuō)這種轉(zhuǎn)化需要一個(gè)過(guò)程，從業(yè)人員自身也是需要審視思考的。工業(yè)界包括政府管理機(jī)構(gòu)如何引入研究智力，數(shù)據(jù)分析如何轉(zhuǎn)化和價(jià)值變現(xiàn)？數(shù)據(jù)科學(xué)研究人員和企業(yè)大數(shù)據(jù)系統(tǒng)開(kāi)發(fā)工程人員都得想想這些關(guān)鍵問(wèn)題。目前數(shù)據(jù)工程要解決的關(guān)鍵問(wèn)題主線(xiàn)是數(shù)據(jù)(Data)>知識(shí)(Knowledge)>服務(wù)(Service)，數(shù)據(jù)采集和管理，挖掘分析獲取知識(shí)，知識(shí)規(guī)律進(jìn)行決策支持和應(yīng)用轉(zhuǎn)化為持續(xù)服務(wù)。解決好這三個(gè)問(wèn)題，才算大數(shù)據(jù)應(yīng)用落地，那么從學(xué)習(xí)角度講，DWS就是大數(shù)據(jù)學(xué)習(xí)要解決問(wèn)題的總目標(biāo)，特別要注重?cái)?shù)據(jù)科學(xué)的實(shí)踐應(yīng)用能力，而且實(shí)踐要重于理論。從模型，特征，誤差，實(shí)驗(yàn)，測(cè)試到應(yīng)用，每一步都要考慮是否能解決現(xiàn)實(shí)問(wèn)題，模型是否具備可解釋性，要勇于嘗試和迭代，模型和軟件包本身不是萬(wàn)能的，大數(shù)據(jù)應(yīng)用要注重魯棒性和實(shí)效性，溫室模型是沒(méi)有用的，訓(xùn)練集和測(cè)試集就OK了嗎？大數(shù)據(jù)如何走出實(shí)驗(yàn)室和工程化落地，一是不能閉門(mén)造車(chē)，模型收斂了就想當(dāng)然萬(wàn)事大吉了；二是要走出實(shí)驗(yàn)室充分與業(yè)界實(shí)際決策問(wèn)題對(duì)接；三是關(guān)聯(lián)關(guān)系和因果關(guān)系都不能少，不能描述因果關(guān)系的模型無(wú)助于解決現(xiàn)實(shí)問(wèn)題；四是注重模型的迭代和產(chǎn)品化，持續(xù)升級(jí)和優(yōu)化，解決新數(shù)據(jù)增量學(xué)習(xí)和模型動(dòng)態(tài)調(diào)整的問(wèn)題。所以，大數(shù)據(jù)學(xué)習(xí)一定要清楚我是在做數(shù)據(jù)科學(xué)還是數(shù)據(jù)工程，各需要哪些方面的技術(shù)能力，現(xiàn)在處于哪一個(gè)階段等，不然為了技術(shù)而技術(shù)，是難以學(xué)好和用好大數(shù)據(jù)的。

（5）大數(shù)據(jù)學(xué)習(xí)的三個(gè)階段：不同階段的技術(shù)路線(xiàn)各有側(cè)重，把握主要矛盾。在大數(shù)據(jù)應(yīng)用實(shí)施過(guò)程中，由于技術(shù)和成本考慮，不可能短時(shí)間內(nèi)解決所有問(wèn)題，大數(shù)據(jù)應(yīng)用本身有其規(guī)律和特點(diǎn)，比如分析目標(biāo)一定是要跟數(shù)據(jù)規(guī)模匹配，分析技術(shù)的采用取決于數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)源條件，數(shù)據(jù)集成一定要覆蓋比較全面的業(yè)務(wù)背景，關(guān)鍵環(huán)節(jié)數(shù)據(jù)不能有缺失等等。大數(shù)據(jù)學(xué)習(xí)可以根據(jù)應(yīng)用目標(biāo)分三個(gè)階段：

1）大數(shù)據(jù)基礎(chǔ)設(shè)施建設(shè)階段：這個(gè)階段的重點(diǎn)是把大數(shù)據(jù)存起來(lái)，管起來(lái)，能用起來(lái)，同時(shí)要考慮大數(shù)據(jù)平臺(tái)和原有業(yè)務(wù)系統(tǒng)的互通聯(lián)合問(wèn)題。一句話(huà)，做好全局?jǐn)?shù)據(jù)集成解決數(shù)據(jù)孤島問(wèn)題！要完成大數(shù)據(jù)基礎(chǔ)設(shè)施系統(tǒng)建設(shè)開(kāi)發(fā)，需要明確數(shù)據(jù)采集、存儲(chǔ)和分析各層核心組件的選型和使用，搭建穩(wěn)定的大數(shù)據(jù)集群，或選擇私有云方案的服務(wù)集群，與生產(chǎn)系統(tǒng)并線(xiàn)運(yùn)行，使待分析的歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)得以采集并源源不斷流入大數(shù)據(jù)系統(tǒng)。這個(gè)階段的關(guān)鍵技術(shù)學(xué)習(xí)包括采集爬蟲(chóng)、數(shù)據(jù)接口、分布式存儲(chǔ)、數(shù)據(jù)預(yù)處理ETL、數(shù)據(jù)集成、數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)管理、云計(jì)算和資源調(diào)度管理等等內(nèi)容。

2）大數(shù)據(jù)描述性分析階段：此階段主要定位于離線(xiàn)或在線(xiàn)對(duì)數(shù)據(jù)進(jìn)行基本描述統(tǒng)計(jì)和探索式可視化分析，對(duì)管理起來(lái)的大數(shù)據(jù)能進(jìn)行海量存儲(chǔ)條件下的交互式查詢(xún)、匯總、統(tǒng)計(jì)和可視化，如果建設(shè)了BI系統(tǒng)的，還需整合傳統(tǒng)BI技術(shù)進(jìn)行OLAP、KPI、Report、Chart、Dashboard等分析和初步的描述型數(shù)據(jù)挖掘分析。這個(gè)基礎(chǔ)分析階段是對(duì)數(shù)據(jù)集成質(zhì)量的檢驗(yàn)，也是對(duì)海量數(shù)據(jù)條件下的分布式存儲(chǔ)管理技術(shù)應(yīng)用穩(wěn)定性的測(cè)試，同時(shí)要能替代或集成傳統(tǒng)BI的各類(lèi)報(bào)表。這個(gè)階段的關(guān)鍵技術(shù)學(xué)習(xí)包括可視化、探索式交互式分析、多維分析、各類(lèi)基本報(bào)表和圖表的查詢(xún)?cè)O(shè)計(jì)等等。

3）大數(shù)據(jù)高級(jí)預(yù)測(cè)分析和生產(chǎn)部署階段：在初步描述分析結(jié)果合理，符合預(yù)期目標(biāo)，數(shù)據(jù)分布式管理和描述型分析穩(wěn)定成熟的條件下，可結(jié)合進(jìn)一步智能化分析需求，采用如深度學(xué)習(xí)等適用海量數(shù)據(jù)處理的機(jī)器學(xué)習(xí)模型，進(jìn)行高級(jí)預(yù)測(cè)性挖掘分析。并通過(guò)逐步迭代優(yōu)化挖掘模型和數(shù)據(jù)質(zhì)量，形成穩(wěn)定可靠和性能可擴(kuò)展的智能預(yù)測(cè)模型，并在企業(yè)相關(guān)業(yè)務(wù)服務(wù)中進(jìn)行分析結(jié)果的決策支持，進(jìn)行驗(yàn)證、部署、評(píng)估和反饋。這個(gè)階段的關(guān)鍵技術(shù)包括機(jī)器學(xué)習(xí)建模、決策支持、可視化、模型部署和運(yùn)維等。

在上述幾個(gè)階段的技術(shù)學(xué)習(xí)過(guò)程中，需要注意幾個(gè)關(guān)鍵問(wèn)題：一是重視可視化和業(yè)務(wù)決策，大數(shù)據(jù)分析結(jié)果是為決策服務(wù)，而大數(shù)據(jù)決策的表現(xiàn)形式，可視化技術(shù)的優(yōu)劣起決定性作用；二是問(wèn)問(wèn)自己，Hadoop、Spark等是必須的嗎？要從整個(gè)大數(shù)據(jù)技術(shù)棧來(lái)考慮技術(shù)選型和技術(shù)路線(xiàn)的確定；三是建模問(wèn)題處于核心地位，模型的選擇和評(píng)估至關(guān)重要，在課堂和實(shí)驗(yàn)室中，多數(shù)模型的評(píng)估是靜態(tài)的，少有考慮其運(yùn)行速度、實(shí)時(shí)性及增量處理，因此多使用復(fù)雜的臃腫模型，其特征變量往往及其復(fù)雜。而Kaggle競(jìng)賽中的各種Boost方法，XGBDT、隨機(jī)森林等模型，在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)教材中卻少有提及，所以要充分參考業(yè)界實(shí)戰(zhàn)經(jīng)驗(yàn)不能盡信書(shū)；四是開(kāi)發(fā)語(yǔ)言的選擇，基礎(chǔ)框架系統(tǒng)Java是必須掌握的，應(yīng)用級(jí)的機(jī)器學(xué)習(xí)和數(shù)據(jù)分析庫(kù)Python是必須掌握的，而要深入各種框架和學(xué)習(xí)庫(kù)的底層，C++是必須掌握的；五是模型的產(chǎn)品化，需要將實(shí)際數(shù)據(jù)通過(guò)管道設(shè)計(jì)轉(zhuǎn)換為輸入特征傳遞給模型，如何最小化模型在線(xiàn)上和線(xiàn)下的表現(xiàn)差距，這些都是要解決關(guān)鍵的問(wèn)題。

（6）其它補(bǔ)充：Kaggle,眾包與培訓(xùn)。眾包是一種基于互聯(lián)網(wǎng)的創(chuàng)新生產(chǎn)組織形式，企業(yè)利用網(wǎng)絡(luò)將工作分配出去，通過(guò)讓更合適的人群參與其中來(lái)發(fā)現(xiàn)創(chuàng)意和解決問(wèn)題，如維基百科，還有IT資源社區(qū)GitHub，都是典型的眾包平臺(tái)。眾包+開(kāi)源極大推動(dòng)了IT產(chǎn)業(yè)的快速發(fā)展，當(dāng)然Kaggle作為數(shù)據(jù)科學(xué)領(lǐng)域頂級(jí)的眾包平臺(tái)，其影響力遠(yuǎn)不止于此（所以剛剛被谷歌收購(gòu)）。企業(yè)和研究者可在Kaggle上發(fā)布數(shù)據(jù)，數(shù)據(jù)分析人員可在其上進(jìn)行競(jìng)賽以產(chǎn)生最好的模型。這一眾包模式本質(zhì)就是集體智慧編程的體現(xiàn)，即有眾多策略可以用于解決幾乎所有預(yù)測(cè)建模問(wèn)題，而分析人員不可能一開(kāi)始就能找到最佳方案，Kaggle的目標(biāo)就是通過(guò)眾包的形式來(lái)解決這一難題，進(jìn)而使數(shù)據(jù)科學(xué)成為一場(chǎng)集體智慧運(yùn)動(dòng)。所以說(shuō)要學(xué)好大數(shù)據(jù)，嚴(yán)重推薦去Kaggle沖沖浪，很好的歷練平臺(tái)。至于大數(shù)據(jù)培訓(xùn)嘛，基礎(chǔ)理論和技術(shù)還不甚了解的情況下可以去培訓(xùn)學(xué)習(xí)，有基礎(chǔ)之后還得靠自己多練多解決實(shí)際問(wèn)題。

5．結(jié)論與展望

做個(gè)小結(jié)，大數(shù)據(jù)不是銀彈（Silver Bullet），大數(shù)據(jù)的興起只是說(shuō)明了一種現(xiàn)象，隨著科技的高速發(fā)展，數(shù)據(jù)在人類(lèi)生活和決策中所占的比重越來(lái)越大。面對(duì)如此廣度和深度的大數(shù)據(jù)技術(shù)棧和工具集，如何學(xué)習(xí)和掌握好大數(shù)據(jù)分析這種技能，猶如盲人摸象，冷暖自知。不過(guò)技術(shù)的學(xué)習(xí)和應(yīng)用也是相通的，條條大路通羅馬，關(guān)鍵是要找準(zhǔn)切入點(diǎn)，理論與實(shí)踐結(jié)合，有全局觀，工程化思維，對(duì)復(fù)雜系統(tǒng)設(shè)計(jì)開(kāi)發(fā)與關(guān)鍵技術(shù)體系的主要矛盾要有所把握。熟悉大數(shù)據(jù)基礎(chǔ)理論與算法、應(yīng)用切入、以點(diǎn)帶面、舉一反三、橫向擴(kuò)展，從而構(gòu)建完整的大數(shù)據(jù)知識(shí)結(jié)構(gòu)和核心技術(shù)能力，這樣的學(xué)習(xí)效果就會(huì)好很多。

另外，技術(shù)發(fā)展也遵循量變到質(zhì)變規(guī)律，人工智能+物聯(lián)網(wǎng)+大數(shù)據(jù)+云計(jì)算是四位一體發(fā)展的（時(shí)間有先后，但技術(shù)實(shí)質(zhì)性突破都在最近幾年），未來(lái)智能時(shí)代的基礎(chǔ)設(shè)施、核心架構(gòu)將基于這四個(gè)層面，這種社會(huì)演化趨勢(shì)也很明顯：農(nóng)業(yè)時(shí)代〉工業(yè)時(shí)代〉互聯(lián)網(wǎng)時(shí)代〉智能化時(shí)代。在這個(gè)四位一體智能技術(shù)鏈條里面，物聯(lián)網(wǎng)重在數(shù)據(jù)采集，云計(jì)算重在基礎(chǔ)設(shè)施，大數(shù)據(jù)技術(shù)處于核心地位，人工智能則是發(fā)展目標(biāo)，所以學(xué)習(xí)大數(shù)據(jù)技術(shù)還需要對(duì)這四個(gè)方面加以綜合研究和理解。

最后潑點(diǎn)冷水，簡(jiǎn)單說(shuō)說(shuō)大數(shù)據(jù)的前景，未來(lái)大數(shù)據(jù)崗位需求不會(huì)有媒體宣傳的那么多，大數(shù)據(jù)具體工作不會(huì)有美國(guó)大片里那么炫酷，不要老盯著B(niǎo)AT，我國(guó)大數(shù)據(jù)的發(fā)展還處于初級(jí)階段?？傊夹g(shù)歸于技術(shù)，實(shí)踐才能出真知，落地解決問(wèn)題是關(guān)鍵，Palantir也是十年才磨出一劍。不過(guò)在大數(shù)據(jù)時(shí)代，人人都得懂點(diǎn)數(shù)據(jù)分析，這倒是最實(shí)在的，不懂編程？那就學(xué)Python吧，如果說(shuō)人工智能時(shí)代的大媽和小學(xué)生都能編程的話(huà)，那一定用的是Python：）更多編程方面的分享請(qǐng)關(guān)注微信公眾號(hào)：程序員大牛！

文章名稱(chēng)：大數(shù)據(jù)學(xué)習(xí)內(nèi)容有哪些？大數(shù)據(jù)學(xué)習(xí)路線(xiàn)圖
新聞來(lái)源：http://jinyejixie.com/article2/jjppoc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供ChatGPT、用戶(hù)體驗(yàn)、小程序開(kāi)發(fā)、全網(wǎng)營(yíng)銷(xiāo)推廣、定制網(wǎng)站、網(wǎng)站內(nèi)鏈

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶(hù)投稿、用戶(hù)轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話(huà)：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)