摘要：數(shù)據(jù)分析師除了報表統(tǒng)計外，還需要對數(shù)據(jù)的有很強的解讀能力。電商中的個性推薦技術，商業(yè)與銀行中的欺騙檢測，智能手機中語音識別等等技術，讓我們渾身便散發(fā)出大數(shù)據(jù)與機器學習的各種場信息，給人以滿滿的正能量。
01 數(shù)據(jù)場
學過物理的小伙伴，都知道世界充滿了電場和磁場。了解過佛學的人，都知道世界充滿了念力場與信息場，通過信息場，可以與更高一級的文明進行溝通。
有的人一出現(xiàn)，渾身便會散發(fā)出強大的氣場?，F(xiàn)在是數(shù)據(jù)時代，整天和數(shù)據(jù)打交道，要培養(yǎng)自己的數(shù)據(jù)場。開句玩笑的話，以后往人群中一站，還未開口，渾身便散發(fā)出大數(shù)據(jù)與機器學習的各種場信息，給人以滿滿的正能量。
說起“大數(shù)據(jù)”一詞，也是真正被吵夠了。連做個簡單的統(tǒng)計也叫大數(shù)據(jù)，做個表格、畫個圖形出來，就叫大數(shù)據(jù)了。凡是不和“大數(shù)據(jù)”沾邊，就感覺已經(jīng)落伍了。其實，很多人除了知道簡單的統(tǒng)計外，根本不了解大數(shù)據(jù)是什么。甚至連Hadoop都不知為何物，更別談機器學習了。
大數(shù)據(jù)是一個概念也是一門技術，是在以Hadoop為代表的大數(shù)據(jù)平臺框架上進行的各種數(shù)據(jù)分析技術。包括了實時數(shù)據(jù)處理、離線數(shù)據(jù)處理；還包括了數(shù)據(jù)分析，數(shù)據(jù)挖掘，和用機器學習算法進行預測分析。
概念吵著吵著就變味了。用“大數(shù)據(jù)”來代表一切，有些不太合理。目前比較合適的一個詞是數(shù)據(jù)科學（Data Science），做數(shù)據(jù)科學的可以叫數(shù)據(jù)科學家。當然真正到科學家這個級別，要求是非常高的，需要有完整的數(shù)據(jù)知識體系。
也許小時候的夢想就是當科學家，現(xiàn)在終于不用上博士就可以實現(xiàn)了。雖然很多都只是自己團隊或者公司封的職位。接下來，可以看看，在數(shù)據(jù)方面上，大概有哪些職位。
02 數(shù)據(jù)職位
限于個人的閱歷與認識，在此只是列舉其中一部分出來。
2.1 開發(fā)相關
主要有數(shù)據(jù)抓取，也即通常說的網(wǎng)絡爬蟲。需要考慮數(shù)據(jù)抓取的實時性與完整性，還有數(shù)據(jù)及時更新，數(shù)據(jù)去重等等。嚴格來說，和通常意義上的大數(shù)據(jù)相關性不大，主要是后端開發(fā)的一系列技術，其中也會涉及分布式的一些技術。
ETL開發(fā)，ETL為Extract、Transform和Load的縮寫，即數(shù)據(jù)抽取，轉(zhuǎn)換與裝載。將各種來源的數(shù)據(jù)進行收集、規(guī)范和存儲起來?？梢允请x線的方式，存儲在以Hadoop為代表的大數(shù)據(jù)集群中。也可以是實時的展現(xiàn)在報表系統(tǒng)中。如果是實時的，也叫實時數(shù)據(jù)流開發(fā)，通常和Storm框架或者Spark Streaming技術相關。
Hadoop平臺開發(fā)，專指以大數(shù)據(jù)框架為基礎，并在此基礎上進行二次開發(fā)或者數(shù)據(jù)流開發(fā)。對數(shù)據(jù)平臺做開發(fā)與改進，只能是程序員的工作了，根據(jù)業(yè)務需求，對現(xiàn)有的平臺進行改進與優(yōu)化。因為是平臺相關的，通常需要Java與Scala的專業(yè)程序員，這塊和數(shù)據(jù)分析基本沒有太大關系。
另外還有純前端的數(shù)據(jù)可視化技術開發(fā)，或者純運維的大數(shù)據(jù)集群管理等等。
2.2 報表分析
商業(yè)智能分析，包括報表分析，運營或者銷售分析，這一塊以Excell、SPSS和R為代表。主要是指對針對具體業(yè)務，對現(xiàn)有的數(shù)據(jù)進行統(tǒng)計分析，期待從中發(fā)現(xiàn)一些規(guī)律與趨勢。
數(shù)據(jù)分析報表，也是最常用的數(shù)據(jù)分析師職位的一些工作，通常產(chǎn)出以報表為主。這塊很多時候會與運營部門的需求相關，技術上主要以成熟的工具為主。
當數(shù)據(jù)量一大，就會涉及在集群環(huán)境下的分析，分析師通常很熟悉SQL，這也是構建于Hadoop之上的Hive能被大眾熟悉的原因。
除了報表統(tǒng)計外，還需要對數(shù)據(jù)的有很強的解讀能力，能分析和解讀出一些現(xiàn)象產(chǎn)生的原因，同時需要針對這些問題，提出一些可能的應對方案，以便對業(yè)務策略或者商業(yè)方向上有更多的指導。
一些專業(yè)領域分析，如網(wǎng)絡安全分析，金融領域分析。這些領域的分析，通常需要用領域知識，深入現(xiàn)象背后去挖掘出產(chǎn)生的原因，不僅要具有很強的分析能力，也需要很強的領域知識。
2.3 算法挖掘
做為數(shù)據(jù)科學中的重頭戲，便是數(shù)據(jù)挖掘和機器學習了。在線電商中的個性推薦技術，商業(yè)與銀行中的欺騙檢測，智能手機中語音識別（Siri），機器翻譯，圖像識別等等。
涉及大量機器學習算法，包括分類、聚類和個性推薦等常用數(shù)據(jù)挖掘技術。也包括數(shù)據(jù)分析的很多基礎，和數(shù)據(jù)分析偏重的報表產(chǎn)出并不同，并不強調(diào)產(chǎn)出大量的報表，通常是在現(xiàn)有數(shù)據(jù)基礎上的產(chǎn)出新數(shù)據(jù)，用于服務業(yè)務系統(tǒng)。
還可以推廣到人工智能，其中涉及大量的數(shù)據(jù)處理與挖掘技術。比如機器人，無人駕駛，總之是盡量的在某些領域達到或者超過人類。人類能處理如下內(nèi)容：
Number： 數(shù)據(jù)（數(shù)）
NLP： 自然語言處理（文字）
Pic： 圖像處理（圖片）
Voice： 語音識別（語音）
Video： 視頻處理（視頻）
個性推薦： （集體智慧與社交化）
其中會用到大量的機器學習算法，包括深度學習，從而達到服務人類的目的。
03 生態(tài)與周邊
關于數(shù)據(jù)的統(tǒng)計、分析與挖掘，這些概念的側重點不一樣。數(shù)據(jù)統(tǒng)計，利用統(tǒng)計學的知識，產(chǎn)出數(shù)據(jù)和報表；數(shù)據(jù)分析，除了產(chǎn)出數(shù)據(jù)和報表外，還需要分析其中原因，最好能找出對應的策略；數(shù)據(jù)挖掘，需要在數(shù)據(jù)分析的基礎上，發(fā)現(xiàn)新的，有價值的知識及潛在的規(guī)律。如果只是對原有的數(shù)據(jù)進行統(tǒng)計分析，而沒有對未知的事物進行預測，是不算數(shù)據(jù)挖掘。
數(shù)據(jù)相關的職位各種各樣，我們要構建數(shù)據(jù)場時，抽取其中的各種技能出來，組成自己的技能表。最近讀到一篇文章：《機器學習職位需要的七個關鍵技能》
文章描述了機器學習需要的七個技能，以及需要這些技能的原因，主要技能如下：
編程語言(Python/C++/R/Java)；
概率與統(tǒng)計；
應用數(shù)學與算法；
分布式計算；
Unix/Linux工具集；
高級信號處理技術(特征提取)；
大量閱讀，適應快速變化，更新自己；
在下一篇文章中，我將描述我所認識的建立數(shù)據(jù)場的七大技能，歡迎繼續(xù)關注。
摘要：成為數(shù)據(jù)極客，建立自己的數(shù)據(jù)場需要哪些技能呢？遇到普通的數(shù)據(jù)，通過SQL做分析。如果數(shù)據(jù)量比較大，可以使用Hadoop等大數(shù)據(jù)框架處理。在深入挖掘上，可用Python或者R語言進行編程。
01 數(shù)據(jù)極客
上回書說到，數(shù)據(jù)科學家是具有數(shù)據(jù)相關的完整理論和知識的人，自然境界很高。做作一個普通的IT界碼農(nóng)，成為數(shù)據(jù)科學家需要漫長的過程。那這個……，做不到數(shù)據(jù)科學家，我們還可以做個數(shù)據(jù)極客（Data Geek）嘛，挑戰(zhàn)數(shù)據(jù)極限，也是挑戰(zhàn)自己的極限。
那么，成為數(shù)據(jù)極客，建立自己的數(shù)據(jù)場需要哪些技能呢？且不說那高深復雜的理論，僅從實用的角度來分析一下，建立數(shù)據(jù)場的七個方面。
02 七大技能
2.1 SQL與NoSQL技能
二維表格數(shù)據(jù)是最常用形式了，對二維數(shù)據(jù)的處理分析也是最基本的。傳統(tǒng)的SQL工具與大數(shù)據(jù)環(huán)境下的NoSQL工具中，以關系型的MySQL為代表，以文檔型的MongoDB為代表，以大數(shù)據(jù)環(huán)境下的Hive代表。這都是數(shù)據(jù)分析的基礎而強大利器，在很多場合下都能快速的解決問題。
擴展的，還會有內(nèi)存型數(shù)據(jù)庫Redis，圖數(shù)據(jù)庫Neo4j，還有全文索引的ElasticSearch和Solr，還有Hbase和Cassandra，這些根據(jù)具體的業(yè)務，選擇性的掌握其中一部分。
學到什么程度并無定論，重點在具體的數(shù)據(jù)環(huán)境下，不至于永遠只知道MySQL這一個工具，在不同的場景，其它的數(shù)據(jù)庫能發(fā)揮出強大的優(yōu)勢。
總結起來說，重點不是工具，而是數(shù)據(jù)。不僅要能處理結構化數(shù)據(jù)，還要處理半結構化數(shù)據(jù)，不僅能單機處理，還要在集群環(huán)境下處理。
2.2 Linux工具集
Shell， AWK， sed， grep等基本工具集，這是很多數(shù)據(jù)簡單處理的得力助手，包含數(shù)據(jù)文件編碼，數(shù)據(jù)合并，數(shù)據(jù)拆分，數(shù)據(jù)規(guī)范，格式驗證等等。
Linux腳本能力，簡單服務配置能力，正則表達式能力，Vim或者Emacs編輯能力，文件系統(tǒng)常用操作命令，遠程登錄ssh等等，這些都能快速的處理很多問題。任何的分析或挖掘都會依托與一個系統(tǒng)，而Linux是其中最常用的，尤其是在服務器環(huán)境。熟悉一個系統(tǒng)，能讓自己的數(shù)據(jù)科學工作事半功倍。
簡單的數(shù)據(jù)收集與處理，很多時候也會依賴于Linux系統(tǒng)或者基于其上的一系列工具，比如常用的Web服務器引擎Nginx及其產(chǎn)生的日志，常用的文件傳輸scp或者rsync，常用的定時任務crontab等等這些工具，穩(wěn)定又實用。
2.3 Python或者R語言生態(tài)
掌握一門分析專用語言，很有必要。其中以R語言和Python語言為代表。R起源于統(tǒng)計學，如今在數(shù)據(jù)科學領域也占有強大的陣地。Python更是一門完整的編程語言，不論是Web開發(fā)、自動化運維、云計算，還是數(shù)據(jù)科學領域，都有眾多的用戶。兩者在數(shù)據(jù)分析中都有完整的生態(tài)圈，而且其它環(huán)境對這兩者的支持也是非常好的。
無意于爭端，全看個人喜好。本人只熟悉Python這塊生態(tài)，因此只討論這一塊相關的。最為大眾熟悉的一些包為：Numpy，Scipy， Pandas和Scikit-learn，Keras，解決了從數(shù)據(jù)分析到機器學習和深度學習的幾乎所有任務。
2.4 Hadoop與Spark生態(tài)
大數(shù)據(jù)平臺，無疑是以Hadoop和Spark為代表，無論在線處理還是離線分析。Hadoop比較適合離線處理。而在線處理中，Storm就是比較有名的。如果需要自己實現(xiàn)Map-Reduce或者對接數(shù)據(jù)之類的開發(fā)，編程語言中以Java和Scala為代表。
在線搜索相關，估計會用前面說過的ElasticSearch或者Solr。當然，區(qū)別于hadoop的Map-Reduce流程，Spark提供的彈性數(shù)據(jù)集RDD，能作用于RDD上的算子非常多，使得數(shù)據(jù)處理與分析更加方便。除此之外，Spark還提供了實時任務的Streaming，能實時的對數(shù)據(jù)進行處理與獲取結果。還有Spark SQL功能，尤其以其中的DataFrame重為重要。另外，ML與MLlib也是分布式機器學習的重要部分。
Spark是Hadoop生態(tài)圈中的有力補充，并非替代品，如果要說替代，那也只是替代了MapReduce分布式計算框架而已，分布式調(diào)試與管理依然用Yarn，文件系統(tǒng)依然會使用HDFS。
Hadoop發(fā)行版中，主要以三大廠商的Hadoop的為代表。Cloudera發(fā)行的CDH，Hortonworks發(fā)行的HDP，這兩個是目前各種大數(shù)據(jù)框架支持的主流，另外一家是修改了核心的MapR。
2.5 概率、統(tǒng)計與線性代數(shù)
對數(shù)據(jù)進行統(tǒng)計與分析，是需要統(tǒng)計學的基礎知識。另外，很多問題都可以轉(zhuǎn)化為一個概率問題，并不是要完全確定的結果，只要概率達滿足即可。概率論方面的主要是貝葉斯統(tǒng)計，隱馬爾可夫模型等之類的。這些都是深入理解算法的基礎。
對數(shù)據(jù)的運算，很多時候就是直接矩陣運算，而涉及矩陣的各種運算也正是線性代數(shù)相關相關的問題。
機器學習之所以有效，是因為模型對數(shù)據(jù)的處理，最后都會變成一系列的數(shù)學優(yōu)化問題，而且主要和凸優(yōu)化知識相關。機器學習的各種計算，都是和數(shù)學密切相關。除了上面的概率、統(tǒng)計與線性代數(shù)，還會和微積分有一定的關系。
當然，但除非你深入研究算法的核心原理或者寫學術論文需要，也不要被數(shù)學嚇到了。在機器學習應用過程中，并不會用到太多的數(shù)學知識。而且，也并不需要完全把上面這些課程學好了再來進行機器學習。計算機基于數(shù)學，但應用型的算法，并不需要特別深厚的數(shù)學功底。如果以前課程學得不好也沒有太大的關系，很多知識到了關鍵時刻再補一下也不遲。
2.6 機器學習與深度學習
數(shù)據(jù)挖掘與人工智能中和算法相關的部分，常用的分類算法，聚類算法是基礎。推廣開來，就是監(jiān)督算法與非監(jiān)督算法，監(jiān)督算法中，除了分類，還有回歸。非監(jiān)督算法中，除了聚類，還有數(shù)據(jù)降維，還有用于個性推薦的關聯(lián)規(guī)則。另外，專門處理自然語言的機器學習也即NLP，或者文本數(shù)據(jù)挖掘，是另外一個側重方向。
對算法的理解，需要前面的統(tǒng)計與概率等等數(shù)學知識，還需要結合編碼能力，最好能自己實現(xiàn)一些演示算法流程的Demo程序來輔助理解。實際應用中，最好以第三方庫為準，它們經(jīng)過大量人員的測試，無論是性能還是算法完整性上都會更好，自己實現(xiàn)的程序僅僅用于理解算法流程即可。除非你對算法理解很徹底，并且編碼能力也非常強，而且覺得現(xiàn)有的框架不能滿足你的使用。
除了算法及其參數(shù)調(diào)優(yōu)外，還有另外兩個重要的內(nèi)容，特征提取與模型評估。如何從原始數(shù)據(jù)中提取出用于算法的特征是很關鍵的。很多時候，不同算法在性能差異上并不明顯，但不同的特征提取方法，卻能產(chǎn)生比較大的差距。
在某種特征上應用特定的算法，還需要做的就是模型評估，如果評估一個模型是好還是壞，在一定程度上也體現(xiàn)了機器學習是否有效的依據(jù)。在特征提取上，一個比較火熱的領域自然是深度學習了。源于多層神經(jīng)網(wǎng)絡，是一種非監(jiān)督的特征提取方法，更好的用于圖片、語音與視覺處理。值得一提的是，深度學習在很多地方的性能已經(jīng)超過傳統(tǒng)的機器學習算法。
2.7 業(yè)務及雜項
除上上面的純技術外，還有一些非技術上的技能。業(yè)務理解，商業(yè)洞察，溝通與交流能力，尤其以業(yè)務的理解能力為重要。數(shù)據(jù)是死的，無法更好的理解業(yè)務中的問題，也就無法更好的利用現(xiàn)有數(shù)據(jù)，甚至無法更好的解讀其中的結論。
理解業(yè)務通常需要一些專業(yè)的領域知識，比如做網(wǎng)絡安全的，需要安全的一些基礎知識；做電商的，需要理解其中各個指標對當前銷售的影響；做二手車估值的，需要對二手車殘值評估有一定的了解。
除了業(yè)務知識外，還需要一定的文檔與報表技能，比如Word、PPT與Markdown工具的使用，只有完整的文檔與良好的表達，才更好體現(xiàn)數(shù)據(jù)所展現(xiàn)出來的效果。
另外，英文能力與寫作也同樣重要，需要經(jīng)常閱讀一些英文文章。閱讀的主要目的，就是隨時更新自己的技能，擴展知識面。而寫作，就是自己知識積累的一種方式，將紙上的東西，變成自己的技能。
03 結尾
這兒列出的七項主要技能，和上一篇文章的7大技能基本相同。對于高級信號處理，主要用于特征提取，個人感覺目前可能通過學習神經(jīng)網(wǎng)絡與深度學習來解決，深度學習是專為解決特征提取的問題而來。
七大技能，總結起來，就是熟悉一門Linux系統(tǒng)及其上的常用工具，遇到普通的數(shù)據(jù)，可以通過SQL來做簡單分析或者聚合。如果數(shù)據(jù)量比較大，可以使用Hadoop等大數(shù)據(jù)框架處理。在深入挖掘上，可用Python或者R語言進行編程，應用以概率統(tǒng)計為支撐的機器學習算法。
要做好數(shù)據(jù)極客，只有在各種工具與技能基礎上，再加強自己的業(yè)務興趣點，配合個人的悟性而修行。果能如此，持之以恒，則天下定有你的天地。
文 | 云戒
來源 | 簡書
CDA數(shù)據(jù)分析師考試相關入口一覽（建議收藏）：
? 想報名CDA認證考試，點擊>>>
“CDA報名”
了解CDA考試詳情；
? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；
? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；
? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；
京公網(wǎng)安備 11010802034615號
經(jīng)營許可證編號：京B2-20210330
