大数据分析的现状和发展前景

一、大环境现状

大数据分析 ，机器学习本身是一个相对较新的行业。市场上企业不一定有充沛的人才，不少企业实际上还在新建相关部门的阶段，业务怎么干在摸索中。而即使已经有这类人才队伍的先行企业，也希望巩固，扩大自己的人才优势，所以现在的企业都希望招聘的候选人有扎实的基础，这不仅包括数据分析，机器学习这方面的基础，也实际上包括数学，程序开发等相关基础。因为数据分析，机器学习是一个涉及数学，统计，编程，业务领域知识等多领域的综合学科。

二、岗位分类

　　从具体的岗位工作内容来看也是类似。现在全世界该 大数据分析 行业和职位的发展，在国外有一个非常热门的职业叫“数据科学家”。这实际上是一个从数据采集、数据处理到模型开发、部署模型、模型评价，以及在编程开发、业务领域知识都有一定经验和技术水平的全能型专家。这样的岗位对从业者的要求显然很高。

　　虽然设立了这样的岗位，其实现实中真的满足这样要求的人才可谓凤毛麟角。所以实际上数据分析工作大都依靠团队完成，一个数据分析团队里，比较成熟的做法是由算法工程师、数据分析师、开发工程师、可视化设计师、领域知识专家等多个角色组合而成。

　　国内目前更多的岗位是细分，像“算法研究员” “数据挖掘工程师” “机器学习工程师” “数据分析师” “商业分析师” “分析专员”这样的名称。但不论做具体哪个角色，现在工作中最好一名分析师也懂点算法，懂点编程，懂点业务知识，懂点可视化。

　　同理，算法工程师可能也要懂编程，懂分析，懂编程开发。其它角色亦然。这样不仅有利于提高团队成员之间的合作效率，也适应现代工作的发展特点，于个人职业生涯也有好处。

　　基于此，我们更强调让学生夯实基础，拓宽就业面。

三、专业书籍推荐

作为 大数据分析 、机器学习方面的学习者、从业者，我最常看的其实还是程序语言、计算框架的官方文档。 由于机器学习/数据挖掘涉及到数学、统计方面的知识，像线性代数、统计学方面的教材也会读。 我列举一些我读过的书籍，不是十分全面，仅供参考。 其中线性代数，我看的是麻省理工Gilbert Strang教授的《线性代数》视频课程，在网易云课堂上有免费的视频提供。 这套讲课视频很经典，广受赞誉。 统计学方面，我看的是《数理统计与数据分析第3版》(JohnA.Rice着)。 数据挖掘/机器学习方面，看《数据挖掘-实用机器学习技术》(Ian H.Witten / Eibe Frank着)。

四、学习秘籍

　　大数据分析 、机器学习的内容十分广阔，也有深度。一旦入门，需要持之以恒。由于这个领域的知识目前依然在国外较为前沿，相对产出高质量的文章较多。往往这类文章还没有来得及翻译成中文，或者压根没有翻译版面世，所以我们有时需要阅读英文资料。这一方面使你较大多数人更早地了解相关知识和信息，另一方面也可能帮助你避免因翻译等原因对原文知识信息造成的误解、曲解。所以我建议广大同学，如果持续地钻研这个领域，有必要培养自己的英文阅读能力。

本文摘自：https://www.aaa-cg.com.cn/?xmta7