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？

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) SQL NoSL 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。