“大数据”专业毕业以后干什么？事实上，大数据工作者可以施展拳脚的领域非常广泛，从国防部、互联网创业公司到金融机构，到处需要大数据项目来做创新驱动。数据分析或数据处理的岗位报酬也非常丰厚，在硅谷，入门级的数据科学家的收入已经是6位数了(美元)。①目前全国各类高校、高职院校已陆续开始围绕大数据专业建设展开研究并申报大数据专业。作为交叉型学科，大数据的相关课程涉及数学、统计和计算机等学科知识，“数据科学与大数据技术”专业也强调培养具有多学科交叉能力的大数据人才。②该专业重点培养具有以下三方面素质的人才：一是理论性的，主要是对数据科学中模型的理解和运用；二是实践性的，主要是处理实际数据的能力；三是应用性的，主要是利用大数据的方法解决具体行业应用问题的能力。大数据领域的人才需求主要围绕大数据的产业链展开，涉及到数据的采集、整理、存储、安全、分析、呈现和应用，岗位多集中在大数据平台研发、大数据应用开发、大数据分析和大数据运维等岗位。
大数据技术与应用专业或相关专业就业前景相当广阔。近几年来，互联网行业发展风起云涌，而移动互联网、电子商务、物联网以及社交媒体的快速发展更促使我们快速进入了大数据时代。截止到目前，人们日常生活中的数据量已经从TB(1024GB=1TB)级别一跃升到PB(1024TB=1PB)、EB(1024PB=1EB)乃至ZB(1024EB=1ZB)级别，数据将逐渐成为重要的生产因素，人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。大数据时代，专业的大数据人才必将成为人才市场上的香饽饽。因此，当下大数据从业人员的两个主要趋势是：大数据领域从业人员的薪资将继续增长大数据人才供不应求。另外，大数据专业毕业生就业岗位非常多，比如：Java大数据分布式程序开发、大数据集成平台的应用与开发、大数据平台运维、Java海量数据分布式编程、大数据架构设计、大数据分析、Java大数据分布式开发、基于大数据平台的程序开发、数据可视化、大数据挖掘、Java海量数据分布式编程、大数据架构设计等。大数据：1、数据分析成为大数据技术的核心 数据分析在数据处理过程中占据十分重要的位置，随着时代的发展，数据分析也会逐渐成为大数据技术的核心。大数据的价值体现在对大规模数据集合的智能处理方面，进而在大规模的数据中获取有用的信息。2、广泛采用实时性的数据处理方式 在现如今人们的生活中，人们获取信息的速度较快。为了更好地满足人们的需求，大数据处理系统的处理方式也需要不断地与时俱进。目前大数据的处理系统采用的主要是批量化的处理方式，这种数据处理方式有一定的局限性，主要是用于数据报告的频率不需要达到分钟级别的场合，而对于要求比较高的场合，这种数据处理方式就达不到要求。传统的数据仓库系统、链路挖掘等应用对数据处理的时间往往以小时或者天为单位。3、基于云的数据分析平台将更加完善 近几年来，云计算技术发展的越来越快，与此相应的应用范围也越来越宽。云计算的发展为大数据技术的发展提供了一定的数据处理平台和技术支持。云计算为大数据提供了分布式的计算方法、可以弹性扩展、相对便宜的存储空间和计算资源，这些都是大数据技术发展中十分重要的组成部分。4、开源软件的发展将会成为推动大数据技术发展的新动力 开源软件是在大数据技术发展的过程中不断研发出来的。这些开源软件对各个领域的发展、人们的日常生活具有十分重要的作用。开源软件的发展可以适当的促进商业软件的发展，以此作为推动力，从而更好地服务于应用程序开发工具、应用、服务等各个不同的领域。
大数据薪资高于传统IT技术岗位，主要是因为大数据人才缺口大当前，大数据人才的薪资处于相对较高水平。薪资在1万元以下，占总人数的6%；1万元-2万元占比为64%；2万以上占比为77%。大数据人才的渠道来源分为4个大类，分别是校招、社招、内部培养和推荐、培训机构招聘。下面我从以下几个方面分析以下数据科学与大数据技术专业的就业前景。首先，从当前的技术发展趋势、行业发展趋势和社会发展趋势来看，大数据领域的发展前景都是非常广阔的，大数据本身也会开辟出一个巨大的价值空间，从而创造出新的产业生态，这个过程也必然会释放出大量的就业岗位。从技术发展趋势来看，当前随着诸多企业纷纷实现业务上云，下一步必然会基于云计算平台来完成数据的整合和价值化，而这就需要借助于大数据技术来实现。从这个角度来看，未来不仅IT互联网行业需要大数据人才，产业领域也需要大量的大数据专业人才，而且人才类型的需求也非常多元化，无论是研究生、本科生还是专科生，都能够找到适合自己的岗位。从行业发展趋势来看，当前正处在产业结构升级的重要时期，而工业互联网正在成为传统企业发展的新动能，这就会促使更多的企业基于互联网来完成企业的创新发展。工业互联网时代是平台化时代，云计算、大数据、人工智能等技术平台将逐渐开始落地应用，所以行业发展趋势也会促进大数据的发展和应用。从社会发展趋势来看，随着5G通信的落地应用，未来整个社会将逐渐进入到一个数字化、智能化的时代，此时数据的价值将进一步得到提升，而数据价值化将主要依赖于大数据技术来完成，所以大数据技术的发展和应用也是一个社会发展的必然结果。最后，大数据技术本身是一个庞大的技术体系，不同知识结构的人都可以立足于自身的实际需求，来选择学习大数据的切入点，所以即使是非计算机专业的人，也可以学习大数据，而且学习大数据相关技术也是一个大的发展趋势。
回答 亲~这道题由我来回答，打字需要一点时间，还请您耐心等待一下~ 互联网电商方向。 作为当前最热门的风口，互联网电商是互联网领域应用于实践最多的地方，也是积累技术资源最丰富、资金最雄厚、人才需求量最大的部分。大数据技术与应用专业毕业生可以从事互联网电商运营维护、日常管理、消费大数据分析、金融数据风控管理等相关技术工作。目前大到已经上市的头部电商平台小到社区电商，这些技术人才的缺口都比较大。 2、零售金融方向。 零售金融与互联网电商虽然同属于消费大范畴领域，但是具体而言，零售电商的范围要小于互联网电商，比互联网电商更需要精准对接消费群体和消费群体的爱好、收入等特征。大数据技术与应用专业毕业生可以从事基于计算机、移动互联网、电子信息、电子商务技术、电子金融等领域的数据分布式程序开发、大数据集成平台的应用、开发等方面的工作。适合在零售金融企业承担相关技术服务工作，也可在IT领域从事计算机应用工作。 3、电子政务服务方向。 随着电子政务服务的不断加快，无纸化办公、电子化办公、一站式服务、一键搞定服务等逐步在各大城市应用，尤其是在北京、上海、深圳等一线城市，基本上实现了电子政务服务全覆盖。群众办事只需要一个手机就可以实现原来需要跑很多趟、来回奔波的业务。作为服务领域之一的大数据技术与应用专业毕业生可以在相关企业从事电子政务服务对接工作，进行基于电子政务的大数据平台运维、大数据分析、大数据挖掘等相关工作。 4、其他方向。 除了专业对口的工作以外，大数据技术与应用专业还可以凭借所学知识可以选择自主创业、考取公务员、从事销售等工作。总的来看，作为新一代信息技术的主流发展方向，大数据技术与应用发展前景十分广阔，所处行业也是朝阳行业，只要努力学习，把专业知识学扎实，毕业后就不用工作问题 希望以上回答对你有所帮助，如果你对我的回答满意的话，麻烦给个赞。谢谢 更多8条
数据科学，英文为Data Science，简称DS，从广义上来说，数据科学顾名思义，和数据有关的科学研究都是数据科学。维基百科对 DS 的解释是这样的：“ In general terms , Data Science is the extraction of knowledge from data , which is a continuation of the field data mining and predictive analytics , also known as knowledge discovery and data mining ”具体来说，数据科学是指通过挖掘数据、处理数据、分析数据，从而获取数据中潜在的信息和技术。数据科学家的工作：借助统计编程，设计、开发和运用算法来支持商业决策制定工具，管理海量数据， 创建可视化以帮助理解。数据科学是关于数据的科学，为研究探索数据界奥秘的理论、方法和技术。数据科学在20世纪60年代已被提出，只是当时并未获得学术界的注意和认可，1974年彼得诺尔出版了《计算机方法的简明调查》中将数据科学定义为：“处理数据的科学，一旦数据与其代表事物的关系被建立起来，将为其他领域与科学提供借鉴”。1996年在日本召开的“数据科学、分类和相关方法”，已经将数据科学作为会议的主题词。2001年美国统计学教授威廉克利夫兰发表了《数据科学：拓展统计学的技术领域的行动计划》，因此有人认为是克利夫兰首次将数据科学作为一个单独的学科，并把数据科学定义为统计学领域扩展到以数据作为现金计算对象相结合的部分，奠定了数据科学的理论基础。
数据科学与大数据技术专业属于工学门类，毕业授予工学或理学学士，侧重对数理逻辑分析能力和数据采集、计算、存储等技术能力的培养。大数据管理与应用专业属于管理学门类，毕业授予管理学学士，侧重对数据治理、管理和应用能力的培养。
大数据应用的目标是普适智能要学好大数据，首先要明确大数据应用的目标，通过大数据应用，面向过去，发现数据规律，归纳已知；面向未来，挖掘数据趋势，预测未知。从而提高人们对事物的理解和决策处置能力，最终实现社会的普适智能。数据科学（Data Science）可以理解为一个跨多学科领域的，从数据中获取知识的科学方法，技术和系统集合，其目标是从数据中提取出有价值的信息，它结合了诸多领域中的理论和技术，包括应用数学，统计，模式识别，机器学习，人工智能，深度学习，数据可视化，数据挖掘，数据仓库，以及高性能计算等。数据科学过程：包括原始数据采集，数据预处理和清洗，数据探索式分析，数据计算建模，数据可视化和报表，数据产品和决策支持等。简言之，一个偏理论，一个偏应用。
首先我们要了解Java语言和Linux操作系统，这两个是学习大数据的基础，学习的顺序不分前后。大数据Java ：只要了解一些基础即可，做大数据不需要很深的Java 技术，学java SE 就相当于有学习大数据基础。Linux：因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。Hadoop：这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapReduce和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapReduce是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。Zookeeper：这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。Mysql：我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。Sqoop：这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。Hive：这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapReduce程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。Oozie：既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapReduce、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。Hbase：这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。Kafka：这是个比较好用的队列工具，队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方(比如Kafka)的。Spark：它是用来弥补基于MapReduce处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。
大数据采集大数据采集，即对各种来源的结构化和非结构化海量数据，所进行的采集。数据库采集：流行的有Sqoop和ETL，传统的关系型数据库MySQL和Oracle 也依然充当着许多企业的数据存储方式。当然了，目前对于开源的Kettle和Talend本身，也集成了大数据集成内容，可实现hdfs，hbase和主流Nosq数据库之间的数据同步和集成。网络数据采集：一种借助网络爬虫或网站公开API，从网页获取非结构化或半结构化数据，并将其统一结构化为本地数据的数据采集方式。文件采集：包括实时文件采集和处理技术flume、基于ELK的日志采集和增量采集等等。大数据预处理大数据预处理，指的是在进行数据分析之前，先对采集到的原始数据所进行的诸如“清洗、填补、平滑、合并、规格化、一致性检验”等一系列操作，旨在提高数据质量，为后期分析工作奠定基础。数据预处理主要包括四个部分：数据清理、数据集成、数据转换、数据规约。数据清理：指利用ETL等清洗工具，对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)、不一致数据进行处理。数据集成：是指将不同数据源中的数据，合并存放到统一数据库的，存储方法，着重解决三个问题：模式匹配、数据冗余、数据值冲突检测与处理。数据转换：是指对所抽取出来的数据中存在的不一致，进行处理的过程。它同时包含了数据清洗的工作，即根据业务规则对异常数据进行清洗，以保证后续分析结果准确性。数据规约：是指在最大限度保持数据原貌的基础上，最大限度精简数据量，以得到较小数据集的操作，包括：数据方聚集、维规约、数据压缩、数值规约、概念分层等。大数据存储，指用存储器，以数据库的形式，存储采集到的数据的过程，包含三种典型路线：1、基于MPP架构的新型数据库集群采用Shared Nothing架构，结合MPP架构的高效分布式计算模式，通过列存储、粗粒度索引等多项大数据处理技术，重点面向行业大数据所展开的数据存储方式。具有低成本、高性能、高扩展性等特点，在企业分析类应用领域有着广泛的应用。较之传统数据库，其基于MPP产品的PB级数据分析能力，有着显著的优越性。自然，MPP数据库，也成为了企业新一代数据仓库的最佳选择。2、基于Hadoop的技术扩展和封装基于Hadoop的技术扩展和封装，是针对传统关系型数据库难以处理的数据和场景（针对非结构化数据的存储和计算等），利用Hadoop开源优势及相关特性（善于处理非结构、半结构化数据、复杂的ETL流程、复杂的数据挖掘和计算模型等），衍生出相关大数据技术的过程。伴随着技术进步，其应用场景也将逐步扩大，目前最为典型的应用场景：通过扩展和封装 Hadoop来实现对互联网大数据存储、分析的支撑，其中涉及了几十种NoSQL技术。3、大数据一体机这是一种专为大数据的分析处理而设计的软、硬件结合的产品。它由一组集成的服务器、存储设备、操作系统、数据库管理系统，以及为数据查询、处理、分析而预安装和优化的软件组成，具有良好的稳定性和纵向扩展性。四、大数据分析挖掘从可视化分析、数据挖掘算法、预测性分析、语义引擎、数据质量管理等方面，对杂乱无章的数据，进行萃取、提炼和分析的过程。1、可视化分析可视化分析，指借助图形化手段，清晰并有效传达与沟通信息的分析手段。主要应用于海量数据关联分析，即借助可视化数据分析平台，对分散异构数据进行关联分析，并做出完整分析图表的过程。具有简单明了、清晰直观、易于接受的特点。2、数据挖掘算法数据挖掘算法，即通过创建数据挖掘模型，而对数据进行试探和计算的，数据分析手段。它是大数据分析的理论核心。数据挖掘算法多种多样，且不同算法因基于不同的数据类型和格式，会呈现出不同的数据特点。但一般来讲，创建模型的过程却是相似的，即首先分析用户提供的数据，然后针对特定类型的模式和趋势进行查找，并用分析结果定义创建挖掘模型的最佳参数，并将这些参数应用于整个数据集，以提取可行模式和详细统计信息。3、预测性分析预测性分析，是大数据分析最重要的应用领域之一，通过结合多种高级分析功能（特别统计分析、预测建模、数据挖掘、文本分析、实体分析、优化、实时评分、机器学习等），达到预测不确定事件的目的。帮助分用户析结构化和非结构化数据中的趋势、模式和关系，并运用这些指标来预测将来事件，为采取措施提供依据。4、语义引擎语义引擎，指通过为已有数据添加语义的操作，提高用户互联网搜索体验。5、数据质量管理指对数据全生命周期的每个阶段（计划、获取、存储、共享、维护、应用、消亡等）中可能引发的各类数据质量问题，进行识别、度量、监控、预警等操作，以提高数据质量的一系列管理活动。以上是从大的方面来讲，具体来说大数据的框架技术有很多，这里列举其中一些：文件存储：Hadoop HDFS、Tachyon、KFS离线计算：Hadoop MapReduce、Spark流式、实时计算：Storm、Spark Streaming、S4、HeronK-V、NOSQL数据库：HBase、Redis、MongoDB资源管理：YARN、Mesos日志收集：Flume、Scribe、Logstash、Kibana消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid分布式协调服务：Zookeeper集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager数据挖掘、机器学习：Mahout、Spark MLLib数据同步：Sqoop任务调度：Oozie
“大数据”的核心：整理、分析、预测、控制。重点并不是我们拥有了多少数据，而是我们拿数据去做了什么。如果只是堆积在某个地方，数据是毫无用处的。它的价值在于“使用性”，而不是数量和存储的地方。任何一种对数据的收集都与它最后的功能有关。如果不能体现出数据的功能，大数据的所有环节都是低效的，也是没有生命力的。
大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、数据库、数据仓库、机器学习、并行计算、可视化等。1、数据采集与预处理：Flume NG实时日志收集系统，支持在日志系统中定制各类数据发送方，用于收集数据；Zookeeper是一个分布式的，开放源码的分布式应用程序协调服务，提供数据同步服务。2、数据存储：Hadoop作为一个开源的框架，专为离线和大规模数据分析而设计，HDFS作为其核心的存储引擎，已被广泛用于数据存储。HBase，是一个分布式的、面向列的开源数据库，可以认为是hdfs的封装，本质是数据存储、NoSQL数据库。3、数据清洗：MapReduce作为Hadoop的查询引擎，用于大规模数据集的并行计算4、数据查询分析：Hive的核心工作就是把SQL语句翻译成MR程序，可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能。Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。5、数据可视化：对接一些BI平台，将分析得到的数据进行可视化，用于指导决策服务。
B
数据库应用的核心是数据库；数据库应用系统的核心是数据库设计，包括两方面的内容： 结构特性设计和行为特性设计。
数据库应用系统中的核心问题是数据库设计。
数据库系统的核心是数据模型
数据库是存储在计算机存储器中的一系列的数据的集合，就是单单的那些数据而已。数据模型是数据模式的集合。举个简单的例子，你可能见过：学生（学号，姓名，性别，班级）这种东西，一个这样的东西叫做模式，而在你这个数据库中所有的模式的集合就是数据模型了。
数据库系统的核心是数据库管理系统。数据库系统一般由数据库、数据库管理系统（DBMS）、应用系统、数据库管理员和用户构成。DBMS是数据库系统的基础和核心。
数据库系统的核心和基础，是数据模型,现有的数据库系统均是基于某种数据模型的。数据库系统的核心是数据库管理系统。数据库系统一般由数据库、数据库管理系统（DBMS）、应用系统、数据库管理员和用户构成。DBMS是数据库系统的基础和核心。
数据库系统的核心是数据管理系统，即DBMS。数据库系统简介：数据库系统（Database System），是由数据库及其管理软件组成的系统。数据库系统是为适应数据处理的需要而发展起来的一种较为理想的数据处理系统，也是一个为实际可运行的存储、维护和应用系统提供数据的软件系统，是存储介质 、处理对象和管理系统的集合体。特点：1、数据的结构化，数据的共享性好，数据的独立性好，数据存储粒度小，数据管理系统，为用户提供了友好的接口。2、数据库系统的核心和基础，是数据模型,现有的数据库系统均是基于某种数据模型的。3、数据库系统的核心是数据库管理系统。4、数据库系统一般由数据库、数据库管理系统（DBMS）、应用系统、数据库管理员和用户构成。DBMS是数据库系统的基础和核心。