入行必讀：與大數據相關的工作職位有哪些？
國內某知名互聯網公司，有關數據分析師崗位的，要求描述：
1. 計算機、統計學、數學等相關專業本科及以上學歷；
2. 具有深厚的統計學、數據挖掘知識，熟悉數據倉庫和數據挖掘的相關技術，能夠熟練地使用SQL；
3. 三年以上具有海量數據挖掘、分析相關項目實施的工作經驗，參與過較完整的數據采集、整理、分析和建模工作；
4. 對商業和業務邏輯敏感，熟悉傳統行業數據挖掘背景、了解市場特點及用戶需求，有互聯網相關行業背景，有網站用戶行為研究和文本挖掘經驗尤佳；
5. 具備良好的邏輯分析能力、組織溝通能力和團隊精神；
6. 富有創新精神，充滿激情，樂于接受挑戰
其中，前三條屬硬件要求。一般而言，對于有專業基礎(計算機、統計學、數學等相關專業)的同學，入行需要3個月以上的學習與準備時間；而對于非專業背景的轉行者來說，入行可能需要更久一點，建議6-12個月的預留時間是合理的。而要成為一個熟練的大數據從業者，2-3年以上的項目和行業經驗則是在所難免。
數據分析是一種工具，在金融、互聯網、電子商務、公共服務、醫療健康等領域都有著廣泛的應用。職位上，偏業務的，有數據分析師、數據產品經理、數據挖掘師等；偏技術的，有大數據工程師、架構師、算法工程師等。晉升通道，是業務主管/數據中心主任、CIO/CDO/CTO、VP、首席數據科學家。可見，數據分析對專業背景和知識素養都有相當的要求，再加之大數據在數學和計算機領域的交叉屬性，從事大數據都有一定的門檻限制。
要不要轉行？
要不要轉行，實際上涉及到職業規劃的問題。對此，曾有位哲人發表見解，”最重要的人際關系，是自己與自己的關系，知道自己要什么，不要什么“。這在轉行問題上，也是一樣。相對于10年以上的職業生涯，拿半年時間用來學習該項技能，還是挺劃算的。
讀到這兒，可能有人會說了，轉行會讓之前幾年的經驗積累統統作廢。而實際上，小編認為不必過于擔心，因為無論轉到哪一行，社會經驗和人生理念是都會發揮作用的。而之前的人際關系也類似“山不轉水轉”的問題，很難界定說哪類人際關系有用，哪類無用——基于這個道理，應全部視作有用。
人生的機會并不多，即使到了30歲，對大多數人來說，這也只是職業生涯的前半部分，完全不必縮頭縮腦患得患失。要知道，不怕失去，才有可能收獲更多。如果有了明確的發展規劃，何不義無反顧地投入到新的開始呢？！
如何轉行？
明確了要不要轉行之后，就又回到如何轉行的問題上來了。
如果你尚未畢業，建議先打好基礎，學好概率與數理統計、數值分析、多元分析、泛函分析、軟件工程等，可以選修軟件工程、數據庫原理、一到兩門編程語言； 同時掌握分析工具（如spss/R/matlab）原理；有時間的話，可以參加一些數據建模方面的大賽，對自己能力提升和職業生涯會很有幫助。
如果，你已經是一個從業者。要想跨入數據分析師，也許很多情況下你只能從“工人”做起（這意味著在很大長一段時間內，你的工作內容都可能比較枯燥，做的也都是沒有“技術”含量的內容），但當你慢慢成為“熟練工”時，隨著行業知識和技能的積累，你也會走上“數據設計師”之路。開始從事“高大上”或更有技術含量的工作。
一、至少花三個月掌握技術
正所謂“磨刀不誤砍柴工”，作為一個技術工種 ，至少花3-6個月的時間學習大數據分析相關基礎知識，是不過分的。時間分配如下：
1、花1個月時間，學習數據庫、sql知識，推薦《 深入淺出 SQL(中文版)》；
2、花1-2個月時間，學習基礎的統計學知識，搜集統計學學習資料，列個統計學書單；
3、花1個月時間，學習最基礎的數據挖掘模型， 推薦《數據挖掘導論（ PDF 中文完整版）》；
4、花1個月時間，掌握一門基礎的挖掘軟件。
基礎夯實之后，還要保持持續的學習能力。堅持學習各類知識，不僅限于技能層面。
二、選擇感興趣的行業
如果，你還沒畢業。
可以在結合熱門行業的基礎上，分析自己的興趣。選定一個行業后，可以通過互聯網，熟悉所行業對應的商業模式。有機會，也可以參加一些同行的沙龍或分享，以了解該崗位的人都在做什么 。并對比自己當前的知識儲備，有針對性地補充知識。
如果，你已是從業者。
選擇本行業或相關行業，會讓你的行業經驗和業務知識，更好地發揮優勢。
三、開始尋找機會
對于跨行業轉入的同學，當你做好上述準備的時候。就可以著手找個機會了：
1、內部轉崗
2、選擇中、小型公司，先入門，再修行。
幾點建議
1）勤動手，多實踐：
看書和看視頻是學不會數據分析的。多參加一些項目，擼起袖子玩數據（make your hands dirty）。通過校內大賽增加實踐機會，入行時候找一份能接觸到數據的崗位（任何崗位都可以，市場、運營之類的職位很多）。
工具先從一個容易上手的學起，excel/spss/sql都可以，順手就行，后續可以再學高級工具如R或者python，用到專精同樣有殺傷力。
2）終身學習：
前面已經講過了，即便用一段時間掌握了大數據分析相關基礎知識，也還是要在之后的從業生涯里，保持持續的學習力。
因為，大數據是一個實踐性很強的學科，從實際工作中獲取的知識和能力是學校里無法獲得的，企業最終看重的，也是一個人的實際工作能力。你可以在學習社區通過分享和交流，補充課外知識和get新技能。
推薦的書籍
1.《統計學習基礎 數據挖掘、推理與預測》
盡管應用的是統計學方法，但強調的是概念，而不是數學。《統計學習基礎:數據挖掘、推理與預測》內容廣泛，從有指導的學習（預測），到無指導的學習；從神經網絡、支持向量機，到分類樹、提升等主題，應有盡有，許多例子還附以彩圖，是同類書籍中介紹最全面的。計算和信息技術的飛速發展帶來了醫學、生物學、財經和營銷等諸多領域的海量數據。理解這些數據是一種挑戰，這導致了統計學領域新工具的發展，并延伸到諸如數據挖掘、機器學習和生物信息學等新領域。
2.《模式分類》第二版
除了保留了第1版的關于統計模式識別和結構模式識別的主要內容以外，讀者將會發現新增了許多近25年來的新理論和新方法，其中包括神經網絡、機器學習、數據挖掘、進化計算、不變量理論、隱馬爾可夫模型、統計學習理論和支持向量機等。
3.《推薦系統實踐》
過大量代碼和圖表全面系統地闡述了和推薦系統有關的理論基礎，介紹了評價推薦系統優劣的各種標準(比如覆蓋率、滿意度)和方法(比如AB測試)，總結了當今互聯網領域中各種和推薦有關的產品和服務。
4.《深入搜索引擎–海量信息的壓縮、索引和查詢》
理論和實踐并重，深入淺出地給出了海量信息數據處理的整套解決方案，包括壓縮、索引和查詢的方方面面。其最大的特色在于不僅僅滿足信息檢索理論學習的需要，更重要的是給出了實踐中可能面對的各種問題及其解決方法。
5.《概率論與數理統計》
這本書不用過多介紹了吧，普遍大學里大一時期的教科書，只恨當年沒聽課啊，現在正在慢慢啃。
6.《大數據：互聯網大規模數據挖掘與分布式處理》
主要內容包括分布式文件系統、相似性搜索、搜索引擎技術、頻繁項集挖掘、聚類算法、廣告管理及推薦系統。
7.《Web數據挖掘》
信息檢索領域的書籍，該書深入講解了從大量非結構化Web數據中提取和產生知識的技術。書中首先論述了Web的基礎（包括Web信息采集機制、Web標引機制以及基于關鍵字或基于相似性搜索機制），然后系統地描述了Web挖掘的基礎知識，著重介紹基于超文本的機器學習和數據挖掘方法，如聚類、協同過濾、監督學習、半監督學習，最后講述了這些基本原理在Web挖掘中的應用。《Web數據挖掘》為讀者提供了堅實的技術背景和最新的知識。
8.《數據之巔》
對大數據追根溯源，提出當前信息技術的發展，已經讓中國獲得了后發優勢，中國要在大數據時代的全球競爭中勝出，必須把大數據從科技符號提升成為文化符號，在全社會倡導數據文化。
9.《深入淺出統計學》
本書涵蓋的知識點包括：信息可視化、概率計算、幾何分布、二項分布及泊松分布、正態分布、統計抽樣、置信區間的構建、假設檢驗、卡方分布、相關與回歸等等，完整涵蓋AP考試范圍。
10.《矩陣分析》
本書從數學分析的角度論述矩陣分析的經典方法和現代方法，取材新，有一定的深度，并給出在多元微積分、復分析、微分方程、量優化、逼近理論中的許多重要應用。主要內容包括：特征值、特征向量和相似性，酉等價和正規矩陣，標準形，Hermite矩陣和對稱矩陣，向量范數和矩陣范數，特征值和估計和擾動，正定矩陣，非負矩陣。
11.《統計學習方法》
本書全面系統地介紹了統計學習的主要方法，特別是監督學習方法，包括感知機、k近鄰法、樸素貝葉斯法、決策樹、邏輯斯諦回歸與最大熵模型、支持向量機、提升方法、em算法、隱馬爾可夫模型和條件隨機場等。除第1章概論和最后一章總結外，每章介紹一種方法。敘述從具體問題或實例入手，由淺入深，闡明思路，給出必要的數學推導，便于讀者掌握統計學習方法的實質，學會運用。為滿足讀者進一步學習的需要，書中還介紹了一些相關研究，給出了少量習題，列出了主要參考文獻。
12.《機器學習導論》
對機器學習的定義和應用實例進行了介紹，涵蓋了監督學習。貝葉斯決策理論。參數方法、多元方法、維度歸約、聚類、非參數方法、決策樹。線性判別式、多層感知器，局部模型、隱馬爾可夫模型。分類算法評估和比較，組合多學習器以及增強學習等。
《機器學習及其應用》：全書共分14章，內容涉及因果推斷、流形學習與降維、遷移學習、類別不平衡學習、演化聚類、多標記學習、排序學習、半監督學習等技術和協同過濾、社區推薦、機器翻譯等應用，以及互聯網應用對機
