首先你要有自己职业规划，知道数据分析和大数据是做什么的、能解决什么问题，给自己定一个小目标。一个有经验的数据科学家：最少要有2到3年工作经验，而工作经验体现在运用数据科学处理各种商业问题的能力上，同时需要具备以下技能：
-
一流的分析技巧：探索凌乱的数据集并提取洞察的能力；
-
在SQL运用能力方面是一名内行；
-
能很好的掌握假设检验、分配、回归分析和贝叶斯方法；
-
有与商业方面的机器学习经验；
-
对于Python语言和Jupyter环境有经验；
-
对于pandas、numpy、sk-learn和NLTK有一定操作经验；
-
具备写编写Latex格式文档的能力；
-
在统计学，运筹学，经济学，计算机科学，或其它相关领域具有本科或硕士学历。
未来数据分析是一种工具，在金融、互联网、电子商务、公共服务、医疗健康等领域非常广泛，职位上面偏业务的有数据分析师、数据产品经理、数据规划师等职位，偏技术的有大数据工程师、大数据架构师、算法工程师等职位。你需要了解自己的兴趣和特长并选择合适的职业通道。具体可以看下《与大数据相关的工作职位有哪些？》这篇文章。在大学本科阶段，没有什么比学好数学更为重要的了：先关课程包括《高等数学》《线性代数》《概率与数理统计》《数值分析》《多元分析》《泛函分析》。数学是一门基础学科，需要长时间的学习和知识积累，而且数学课程离开学校是没地方补的。其他能力大部分是可以通过其他渠道学习的：一、数据分析技能：数据清洗建立数学模型运用合适的统计方法来分析数据运用机器学习算法检验模型的正确与否实现数据可视化二、编程技能：精通一种或多种数据分析工具（R/Matlab/SPSS/SAS)精通一种或多种面向对角编程语言（Python、C++、Java、C#、perl 等）其他IT公司经常需要的技能（熟悉HTML/CSS，互联网公司可能会要求)三、数据管理技能（尤其是针对大规模数据）：hadoop（尤其是hive/HBase、HDFS和MapRdeuce)SQLNoSL其他IT公司常用的数据管理技能四、商业知识：熟悉瀑布模型和敏捷模型等软件开发模式理解公司运行规则对于产业所属领域有所了解其他公司常用商业技巧五、交流技巧（软实力）：做演讲和PPT演示来展示产品撰写报名懂得倾听重点信息能够将用户的需求转换为实际产品其他公司常用交流交往技能
作为第一批“数据科学与大数据技术”的科班学生，你们无疑是幸运的，仰望星空，你们已经走在数据科学的大路上，前途一片光明。希望你们能想老一辈统计学家和人工智能专家学习，继往开来，早日成才！最后推荐几本课外学习教材给大家仅供参考!推荐书籍
《统计学：从数据到结论》 吴喜之著《复杂数据统计方法 基于R的应用》吴喜之著《模式分类》第二版：除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。《推荐系统实践》：过大量代码和图表全面系统地阐述了和推荐系统有关的理论基础，介绍了评价推荐系统优劣的各种标准(比如覆盖率、满意度)和方法(比如AB测试)，总结了当今互联网领域中各种和推荐有关的产品和服务。《深入搜索引擎–海量信息的压缩、索引和查询》：理论和实践并重，深入浅出地给出了海量信息数据处理的整套解决方案，包括压缩、索引和查询的方方面面。其最大的特色在于不仅仅满足信息检索理论学习的需要，更重要的是给出了实践中可能面对的各种问题及其解决方法。《大数据：互联网大规模数据挖掘与分布式处理》：主要内容包括分布式文件系统、相似性搜索、搜索引擎技术、频繁项集挖掘、聚类算法、广告管理及推荐系统。《Web数据挖掘》：信息检索领域的书籍，该书深入讲解了从大量非结构化Web数据中提取和产生知识的技术。书中首先论述了Web的基础（包括Web信息采集机制、Web标引机制以及基于关键字或基于相似性搜索机制），然后系统地描述了Web挖掘的基础知识，着重介绍基于超文本的机器学习和数据挖掘方法，如聚类、协同过滤、监督学习、半监督学习，最后讲述了这些基本原理在Web挖掘中的应用。《Web数据挖掘》为读者提供了坚实的技术背景和最新的知识。《数据之巅》：对大数据追根溯源，提出当前信息技术的发展，已经让中国获得了后发优势，中国要在大数据时代的全球竞争中胜出，必须把大数据从科技符号提升成为文化符号，在全社会倡导数据文化。、《深入浅出统计学》：本书涵盖的知识点包括：信息可视化、概率计算、几何分布、二项分布及泊松分布、正态分布、统计抽样、置信区间的构建、假设检验、卡方分布、相关与回归等等，完整涵盖AP考试范围。《矩阵分析》：本书从数学分析的角度论述矩阵分析的经典方法和现代方法，取材新，有一定的深度，并给出在多元微积分、复分析、微分方程、量优化、逼近理论中的许多重要应用。主要内容包括：特征值、特征向量和相似性，酉等价和正规矩阵，标准形，Hermite矩阵和对称矩阵，向量范数和矩阵范数，特征值和估计和扰动，正定矩阵，非负矩阵。《机器学习导论》：对机器学习的定义和应用实例进行了介绍，涵盖了监督学习。贝叶斯决策理论。参数方法、多元方法、维度归约、聚类、非参数方法、决策树。线性判别式、多层感知器，局部模型、隐马尔可夫模型。分类算法评估和比较，组合多学习器以及增强学习等。《机器学习及其应用》：全书共分14章，内容分别涉及因果推断、流形学习与降维、迁移学习、类别不平衡学习、演化聚类、多标记学习、排序学习、半监督学习等技术和协同过滤、社区推荐、机器翻译等应用，以及互联网应用对机器学习技术需求的探讨。
END.
来源：知乎”数据小咖“专栏
关联推荐：
原文始发于微信公众号（PPV课数据科学社区）：作为一名大一新生专业是大数据专业， 应该从哪里开始入门学习？
原创文章，作者：ppvke，如若转载，请注明出处：http://www.ppvke.com/archives/9341
