怎样进行大数据的入门级学习？

怎样进行大数据的入门级学习~

1、原始数据要经过一连串收集、提取、清洗、整理等等的预处理过程，才能形成高质量的数据； 　　
2、我们想看看数据“长什么样”，有什么特点和规律； 　　
3、按照自己的需要，比如要对数据贴标签分类，或者预测，或者想要从大量复杂的数据中提取有价值的且不易发现的信息，都要对数据建模，得到output。

学科知识：数据分析所涉及的专业知识
统计学：参数检验、非参检验、回归分析、抽样技术、多元统计分析法、时间序列、随机过程等
计算机：数电模电、操作系统、组成原理、微机原理、汇编、编译原理、图形学、数据库、软件工程等，必须了解数据库的结构和基本原理，知道所使用的数据怎么处理出来的，同时还需要有从数据库提取所需数据的能力（比如使用SQL进行查询）；
金融学：如果你从事这个行业的数据分析，相关专业知识是必须的，如：宏观微观、投资学、货币金融、金融市场和金融机构等；
数学：微积分、线性代数等；
社会学：社会学量化统计，如问卷调查与统计分析；大数据只是资料的整合和相关性分析，不做任何推论，可能产生偏差，但是社会学可以在数据分析基础上进行理论诠释并验证理论模型；因此，社会学的学习，对从事营销类数据分析人员有帮助。
从基础学起，遇到不懂的问题翻书本，杜绝手高眼低，坚持，坚持，再坚持。
相关软件：从事数据分析方面工作必备工具
数据分析报告类：Microsoft Office软件等，如果现在你不会excel表格基本处理，不会做ppt报告，那只能说你离大数据相关岗位还差很远；现在数据呈现不单单是表格形式，更多的需要可视化图表，所以掌握可视化软件很重要，BDP、ECharts、iCharts 、FusionCharts XT、Pizza Pie Charts等，根据个人喜好选择咯；
专业数据分析软件：你必须会用一些常用的专业数据分析工具，比如SPSS、SAS、Matlab等，这些工具可以帮助我们完成专业性的算法或模型分析，还要学习python、R等；
数据库：hive、hadoop、impala等数据库相关知识；
辅助工具：思维导图工具（MindManager），可以帮助我们整理思路。
数据分析基础=理论+工具+思维，只有理论没有实际运用是纸上谈兵，只想着去用没有理论支撑也是瞎忙活，相辅相成，缺一不可；要把这些数据分析基础运用到实际业务中，琢磨其中的逻辑思维，真正发挥数据的价值。

怎样进行大数据的入门级学习？

文 | 郭小贤

数据科学并没有一个独立的学科体系，统计学，机器学习，数据挖掘，数据库，分布式计算，云计算，信息可视化等技术或方法来对付数据。

但从狭义上来看，我认为数据科学就是解决三个问题：

1. datapre-processing；(数据预处理）

2. datainterpretation；（数据解读）

3.datamodeling and analysis.（数据建模与分析）

这也就是我们做数据工作的三个大步骤：

1、原始数据要经过一连串收集、提取、清洗、整理等等的预处理过程，才能形成高质量的数据；

2、我们想看看数据“长什么样”，有什么特点和规律；

3、按照自己的需要，比如要对数据贴标签分类，或者预测，或者想要从大量复杂的数据中提取有价值的且不易发现的信息，都要对数据建模，得到output。

这三个步骤未必严谨，每个大步骤下面可能依问题的不同也会有不同的小步骤，但按我这几年的经验来看，按照这个大思路走，数据一般不会做跑偏。

这样看来，数据科学其实就是门复合型的技术，既然是技术就从编程语言谈起吧，为了简练，只说说R和Python。但既然是荐数据科学方面的书，我这里就不提R/Python编程基础之类的书了，直接上跟数据科学相关的。

R programming

如果只是想初步了解一下R语言已经R在数据分析方面的应用，那不妨就看看这两本：

R inaction：我的R语言大数据101。其实对于一个没有任何编程基础的人来说，一开始就学这本书，学习曲线可能会比较陡峭。但如果配合上一些辅助材料，如官方发布的R basics（http：//cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的问题集（Newest ‘r’ Questions），遇到复杂的问题可在上面搜索，总会找到解决方案的。这样一来，用这本书拿来入门学习也问题不大。而且这本书作者写得也比较轻松，紧贴实战。

Dataanalysis and graphics using R：使用R语言做数据分析的入门书。这本书的特点也是紧贴实战，没有过多地讲解统计学理论，所以喜欢通过情境应用来学习的人应该会喜欢这本入门书。而且这本书可读性比较强，也就是说哪怕你手头没电脑写不了代码，有事没事拿出这本书翻一翻，也能读得进去。

但如果你先用R来从事实实在在的数据工作，那么上面两本恐怕不够，还需要这些：

Modernapplied statistics with S：这本书里统计学的理论就讲得比较多了，好处就是你可以用一本书既复习了统计学，又学了R语言。（S/Splus和R的关系就类似于Unix和Linux，所以用S教程学习R，一点问题都没有）

Datamanipulation with R：这本书实务性很强，它教给你怎么从不同格式的原始数据文件里读取、清洗、转换、整合成高质量的数据。当然和任何一本注重实战的书一样，本书也有丰富的真实数据或模拟数据供你练习。对于真正从事数据处理工作的人来说，这本书的内容非常重要，因为对于任何研究，一项熟练的数据预处理技能可以帮你节省大量的时间和精力。否则，你的研究总是要等待你的数据。

RGraphics Cookbook：想用R做可视化，就用这本书吧。150多个recipes，足以帮你应付绝大多数类型的数据。以我现在极业余的可视化操作水平来看，R是最容易做出最漂亮的图表的工具了。

Anintroduction to statistical learning with application in R：这本书算是著名的the element of statistical learning的姊妹篇，后者更注重统计（机器）学习的模型和算法，而前者所涉及的模型和算法原没有后者全面或深入，但却是用R来学习和应用机器学习的很好的入口。

Ahandbook of statistical analysis using R：这本书内容同样非常扎实，很多统计学的学生就是用这本书来学习用R来进行统计建模的。

Python

Think Python，ThinkStats，Think Bayes：这是AllenB. Downey写的著名的Think X series三大卷。其实是三本精致的小册子，如果想快速地掌握Python在统计方面的操作，好好阅读这三本书，认真做习题，答案链接在书里有。这三本书学通了，就可以上手用Python进行基本的统计建模了。

PythonFor Data Analysis： 作者是pandas的主要开发者，也正是Pandas使Python能够像R一样拥有dataframe的功能，能够处理结构比较复杂的数据。这本书其实analysis讲得不多，说成数据处理应该更合适。掌握了这本书，处理各种糟心的数据就问题不大了。

Introductionto Python for Econometrics， Statistics and DataAnalysis：这本书第一章就告诉你要安装Numpy， Scipy， Matplotlib， Pandas， IPython等等。然后接下来的十好几章就是逐一介绍这几个库该怎么用。很全面，但读起来比较枯燥，可以用来当工具书。

PracticalData Analysis： 这本书挺奇葩，貌似很畅销，但作者把内容安排得东一榔头西一棒子，什么都讲一点，但一个都没讲透。这本书可以作为我们学习数据分析的一个索引，看到哪块内容有意思，就顺着它这个藤去摸更多的瓜。

PythonData Visualization Cookbook： 用Python做可视化的教材肯定不少，我看过的也就这一本，觉得还不错。其实这类书差别都不会很大，咬住一本啃下来就是王道。

Exploratory Data Analysis 和 Data Visualization

Exploratory DataAnalysis：John Tukey写于1977年的经典老教材，是这一领域的开山之作。如今EDA已经是统计学里的重要一支，但当时还是有很多人对他的工作不屑一顾。可他爱数据，坚信数据可以以一种出人意料的方式呈现出来。正是他的努力，让数据可视化成为一门无比迷人的技术。但这本书不推荐阅读了，内容略过时。要想完整地了解EDA，推荐下一本：

ExploratoryData Analysis with MATLAB：这本书虽然标题带了个MATLAB，但实际上内容几乎没怎么讲MATLAB，只是每讲一个方法的时候就列出对应的MATALB函数。这本书的重要之处在于，这是我读过的讲EDA最系统的一本书，除了对visualization有不输于John Tucky的讲解外，对于高维的数据集，通过怎样的方法才能让我们从中找到潜在的pattern，这本书也做了详尽的讲解。全书所以案例都有对应的MATALB代码，而且还提供了GUI（图形用户界面）。所以这本书学起来还是相当轻松愉悦的。

VisualizeThis：中译本叫“鲜活的数据”，作者是个“超级数据迷”，建立了一个叫http：//flowingdata.com的网页展示他的数据可视化作品，这本书告诉你该选择什么样的可视化工具，然后告诉你怎样visualize关系型数据、时间序列、空间数据等，最后你就可以用数据讲故事了。如果你只想感受一下数据可视化是个什么，可以直接点开下面这个链接感受下吧！A tour through the visualization zoo（A TourThrough the Visualization Zoo）

Machine Learning & Data Mining

这一块就不多说了，不是因为它不重要，而是因为它太太太重要。所以这一部分就推两本书，都是”世界名著“，都比较难读，需要一点点地啃。这两本书拿下，基本就算是登堂入室了。其实作为机器学习的延伸和深化，概率图模型（PGM）和深度学习（deep learning）同样值得研究，特别是后者现在简直火得不得了。但PGM偏难，啃K.Daphne那本大作实在太烧脑，也没必要，而且在数据领域的应用也不算很广。deep learning目前工业界的步子迈得比学术界的大，各个domain的应用如火如荼，但要有公认的好教材问世则还需时日，所以PGM和deep learning这两块就不荐书了。

TheElement of Statistical Learning：要学机器学习，如果让我只推荐一本书，我就推荐这本巨著。Hastie、Tibshirani、Friedman这三位大牛写书写得太用心了，大厦建得够高够大，结构也非常严谨，而且很有前瞻性，纳入了很多前沿的内容，而不仅仅是一部综述性的教材。（图表也做得非常漂亮，应该是用R语言的ggplot2做的。）这本书注重讲解模型和算法本身，所以需要具备比较扎实的数理基础，啃起这本书来才不会太吃力。事实上掌握模型和算法的原理非常重要。机器学习（统计学习）的库现在已经非常丰富，即使你没有完全搞懂某个模型或算法的原理和过程，只要会用那几个库，机器学习也能做得下去。但你会发现你把数据代进去，效果永远都不好。但是，当你透彻地理解了模型和算法本身，你再调用那几个库的时候，心情是完全不一样的，效果也不一样。

DataMining： Concepts and Techniques， by Jiawei Han and Micheline Kamber 数据挖掘的教材汗牛充栋，之所以推荐这本韩家炜爷爷的，是因为虽然他这本书的出发点是应用，但原理上的内容也一点没有落下，内容非常完整。而且紧跟时代，更新的很快，我看过的是第二版，就已经加进去了social network analysis这种当时的前沿内容。现在已经有第三版了，我还没看过，但应该也加入了不少新内容。其实这本书并不难读，只是篇幅较长，啃起来比较耗时。

其实这两本书里单拎出来一块内容可能又是几本书的节奏，比如bayesian方法，再拿出两三本书来讲也不为过，我个人用到的比较多，而且也确实有不少好书。但并非是所有data scientist都要用到，所以这一块就不再细说。

还有一些印象比较深刻的书：

Big DataGlossary： 主要讲解大数据处理技术及工具，内容涵盖了NoSQL，MapReduce，Storage，Servers，NLP库与工具包，机器学习工具包，数据可视化工具包，数据清洗，序列化指南等等。总之，是一本辞典式的大数据入门指导。

Mining ofMassive Datasets：这本书是斯坦福大学Web Mining的讲义，里面很多内容与韩家炜的Data Mining那本书重合，但这本书里详细地讲了MapReduce的设计原理，PageRank（Google创业时期的核心排序算法，现在也在不断优化更新）讲解得也比较详细。

DevelopingAnalytic Talent： 作者是个从事了十几年数据工作的geek，技术博客写得很有个人风格，写的内容都比较偏门，通常只有具备相关数据处理经验的人能体会出来，丝毫不照顾初学者的感受。比如他会谈到当数据流更新太快时该怎么办，或者MapReduce在什么时候不好用的问题，才不管你懂不懂相关基础原理。所以这本书不太适合初学者阅读。这本书其实是作者的博客文章的集结，用how to become a data scientist的逻辑把他近几年的博客文章串联了起来。

Past， Present and Future of Statistical Science：这本书是由COPSS（统计学社主席委员会，由国际各大统计学会的带头人组成）在50周年出版的一本纪念册，里面有50位统计学家每人分别贡献出的一两篇文章，有的回忆了自己当年如何走上统计学这条路，有的探讨了一些统计学的根本问题，有的谈了谈自己在从事的前沿研究，有的则给年轻一代写下了寄语。非常有爱的一本书。

其它资料

Harvard Data Science：这是H大的Data science在线课，我没有修过，但口碑很好。这门课需要费用8千刀左右，比起华盛顿大学的4千刀的Data science在线课虽贵一倍，但比斯坦福的14千刀要便宜将近一半（而且斯坦福的更偏计算机）。如果想自学，早有好心人分享了slides：（https：//drive.google.com/folderview？id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions： （https：//github.com/cs109/content）

PyData：PyData是来自各个domain的用Python做数据的人每年举行一次的聚会，期间会有各路牛人举行一些规模不大的seminar或workshop，有好心人已经把video上传到github，有兴趣的去认领吧（DataTau/datascience-anthology-pydata · GitHub）

工具

R/Python/MATLAB（必备）：如果是做数据分析和模型开发，以我的观察来看，使用这三种工具的最多。R生来就是一个统计学家开发的软件，所做的事也自然围绕统计学展开。MATLAB虽然算不上是个专业的数据分析工具，但因为很多人不是专业做数据的，做数据还是为了自己的domain expertise（特别是科学计算、信号处理等），而MATLAB又是个强大无比的Domain expertise工具，所以很多人也就顺带让MATLAB也承担了数据处理的工作，虽然它有时候显得效率不高。Python虽然不是做数据分析的专业软件，但作为一个面向对象的高级动态语言，其开源的生态使Python拥有无比丰富的库，Numpy， Scipy 实现了矩阵运算/科学计算，相当于实现了MATLAB的功能，Pandas又使Python能够像R一样处理dataframe，scikit-learn又实现了机器学习。

SQL（必备）：虽然现在人们都说传统的关系型数据库如Oracle、MySQL越来越无法适应大数据的发展，但对于很多人来说，他们每天都有处理数据的需要，但可能一辈子都没机会接触TB级的数据。不管怎么说，不论是用关系型还是非关系型数据库，SQL语言是必须要掌握的技能，用什么数据库视具体情况而定。

MongoDB（可选）：目前最受欢迎的非关系型数据库NoSQL之一，不少人认为MongoDB完全可以取代mySQL。确实MongoDB方便易用，扩展性强，Web2.0时代的必需品。

Hadoop/Spark/Storm（可选）： MapReduce是当前最著名也是运用最广泛的分布式计算框架，由Google建立。Hadoop/Spark/storm都是基于MapReduce的框架建立起来的分布式计算系统，要说他们之间的区别就是，Hadoop用硬盘存储数据，Spark用内存存储数据，Storm只接受实时数据流而不存储数据。一言以蔽之，如果数据是离线的，如果数据比较复杂且对处理速度要求一般，就Hadoop，如果要速度，就Spark，如果数据是在线的实时的流数据，就Storm。

OpenRefine（可选）：Google开发的一个易于操作的数据清洗工具，可以实现一些基本的清洗功能。

Tableau（可选）：一个可交互的数据可视化工具，操作简单，开箱即用。而且图表都设计得非常漂亮。专业版1999美刀，终身使用。媒体和公关方面用得比较多。

Gephi（可选）：跟Tableau类似，都是那种可交互的可视化工具，不需要编程基础，生成的图表在美学和设计上也是花了心血的。更擅长复杂网络的可视化。

来自知乎

 

以上是小编为大家分享的关于怎样进行大数据的入门级学习？的相关内容，更多信息可以关注环球青藤分享更多干货

入门学习内容主要有：

①JavaSE核心技术；

②Hadoop平台核心技术、Hive开发、HBase开发；

③Spark相关技术、Scala基本编程；

④掌握Python基本使用、核心库的使用、Python爬虫、简单数据分析；理解Python机器学习；

⑤大数据项目开发实战，大数据系统管理优化等。

你可以考察对比一下南京课工场、北大青鸟、中博软件学院等开设有大数据专业的学校。祝你学有所成，望采纳。

北大青鸟中博软件学院主教学楼

---

西安区13577196067： 怎样进行大数据的入门级学习 - ？
岛制先宁： 1、原始数据要经过一连串收集、提取、清洗、整理等等的预处理过程,才能形成高质量的数据; 2、我们想看看数据“长什么样”,有什么特点和规律; 3、按照自己的需要,比如要对数据贴标签分类,或者预测,或者想要从大量复杂的数据中提取有价值的且不易发现的信息,都要对数据建模,得到output. 这三个步骤未必严谨,每个大步骤下面可能依问题的不同也会有不同的小步骤,但按我这几年的经验来看,按照这个大思路走,数据一般不会做跑偏. 这样看来,数据科学其实就是门复合型的技术,既然是技术就从编程语言谈起吧,为了简练,只说说R和Python.但既然是荐数据科学方面的书,我这里就不提R/Python编程基础之类的书了,直接上跟数据科学相关的.

西安区13577196067： 小白怎么学习大数据? - ？
岛制先宁： 1: ssm的开发流程,要知道,不要开发具体的业务,例如增删改查的业务,只需要知道流程,代码实现不要知道2: html 要知道到底怎么回事3: Restful 不要求4: 数据库必须学习,而且是精通,更多的是数据的sql语句(如何连接数据库不重要),数据库调优,如何做主从,如何配置一些东西等等5: 最好用window系统,而不是mac6: 还需要知道互联网通用的架构,就是需要部署到服务器上面,需要有一套分布式的架构,是针对前段的,只需要半天的时间就可以学会了

西安区13577196067： 新手如何入门大数据行业 - ？
岛制先宁： 大数据是一项未来社会和企业都无法避开的技术,几乎全行业都需要大数据技术的支持,包括传统企业及人工智能等新兴行业.大数据到底学什么?其实大数据的方向有很多,而当前企业对大数据人才的需求主要集中在大数据开发.说到开发相信大家第一时间想到的就是编程.到底要如何学习编程才能更快的掌握呢?1、读源码 2、原理剖析 3、抄代码 4、运行 5、默写代码 6、项目跟进.最重要的是项目跟进,将教会你所掌握的编程技术在实际应用中如何使用,也就是你在未来工作中的工作如何进行.

西安区13577196067： 如何进入大数据领域,学习路线是什么 - ？
岛制先宁： ITjob数据分析师(数据仓库)课程大纲 知识内容1 数据库基础 安装配置与应用设计 安装、配置、创建库、表、约束2操纵语句与规范 SQL语法、操纵语句、数据类型、变量、表达式、运算符、控制语句3高级查询与函数 查询子句、单表查询、函...

西安区13577196067： 大数据该怎么学习,自学能学会吗? - ？
岛制先宁： 一、大数据学习路线 Java-Linux-Hadoop-Zookeeper-Mysql-Sqoop-Hive-Oozie-Hbase-Kafka-Spark 二、大数据自学的问题1、自学需要有一定开发经验,而且需要有极强的学习能力,和坚强的意志.学习能力这个不用解释了.意志这个问题我讲...

西安区13577196067： 从大数据入门,到达到一定水平,在学习路径上有什么建议 - ？
岛制先宁： 我建议现决定个人职业发展路线,然后再决定学习路径上的情况 比如:大数据分很多岗位,大数据开发,大数据测试,大数据可视化,大数据清洗,大数据挖掘,大数据算法等很多岗位,先看看岗位i,觉得自己适合哪个方向,然后再有侧重点的学习,但是目前大数据行业应用最广泛的是大数据开发和大数据可视化,还有部分大数据测试,如果你自学能力很强,建议自学:但是如果你自学能力不强,最好还是找一个市场好一点的培训机构,系统参加下学习,比如:光环大数据,飞马训练营在市场就业口碑和课程上都很不错,你有时间可以去看看

西安区13577196067： 0基础可以学大数据吗？
岛制先宁： 0基础是可以学习大数据的,不过大数据学习有一定难度,要做好心理准备.其次是学习大数据最好学历在大专及以上,不然学起来可能更困难,而且就算报班学习也需要半年左右的时间(我们是全日制安排上课,这样也需要半年),时间上相对其他类型的稍长,你要做好准备.要学习大数据,你至少应该知道大数据是什么,大数据将被用在什么领域.通过对大数据的一般理解,你可以了解你是否对大数据感兴趣.如果你对大数据一无所知,你也可以学习,但学着学着你有可能不喜欢它了,这是浪费时间和精力,还可能是浪费金钱.所以,如果你想学习大数据,你需要对大数据有一个全面的了解.

西安区13577196067： 学习大数据需要哪些基础？
岛制先宁： 一般需要了解一些算法基础,还需要有一定的语言基础,最好是JAVA语言的基础.不过这些基础还是需要建立在你勤奋学习上的,不是有了这些基础你就能学好.所以你想学一门东西的时候,持之以恒才是最重要的.

西安区13577196067： 合肥大数据入门培训怎么学? - ？
岛制先宁： 入门从基础开始学习,有人把数据比喻为蕴 藏能量的煤矿.煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类,而露天煤矿、深山煤矿的挖掘成本又不一样.大数据的内容相对较多,魔据教育提供基础到高级的内容展现,实践过程加深自身记忆,学好并不会太差

西安区13577196067： 怎么学好大数据,选择培训机构? - ？
岛制先宁： 这个怎么说呢,其实最主要还是自己的决心和努力程度,培训机构等于是带你入门,修行还得看个人,不过 好的培训机构不会耽误你,是助长你,能让你事半功倍,快速掌握大数据技术,但是如果你不幸选了个坑人的那就不仅浪费时间还耽误你...