我们在上一篇文章中给大家讲述了大数据学习的两个建议，分别是大数据要学习使用开源，其次就是大数据学习要业务驱动，而不是技术驱动。我们在这篇文章中继续给大家讲述大数据学习建议的其他内容。
首先，大数据学习要以点带面，不贪大求全。数据科学要把握好碎片化与系统性。根据前文的大数据技术体系分析，我们可以看到大数据技术的深度和广度都是传统信息技术难以比拟的。这是因为我们的精力很有限，短时间内很难掌握多个领域的大数据理论和技术，数据科学要把握好碎片化和系统性的关系。那么何为碎片化，这个碎片化包括业务层面和技术层面，大数据在每一个行业、企业里面都有它去关注数据的痕迹。具体表现在一条生产线上的实时传感器数据，车辆身上的传感数据，高铁设备的运行状态数据，交通部门的监控数据，医疗机构的病例数据，政府部门的海量数据等等，大数据的业务场景和分析目标是碎片化的，而且相互之间分析目标的差异很大。
另外，技术层面来讲，大数据技术就是万金油，一切服务于数据分析和决策的技术都属于这个范畴，其技术体系也是碎片化的。那怎么把握系统性呢，不同领域的大数据应用有其共性关键技术，其系统技术架构也有相通的地方，如系统的高度可扩展性，能进行横向数据大规模扩张，纵向业务大规模扩展，对原有系统的兼容和集成等等，每个大数据系统都应该考虑上述问题。如何把握大数据的碎片化学习和系统性设计，离不开前面提出的两点误区，建议从应用切入、以点带面，先从一个实际的应用领域需求出发，当我们熟悉了以后才能够领悟到其中的奥秘。
然后就是大数据学习要勇于实践。大数据只有和特定领域的应用结合起来才能产生价值，数据科学还是数据工程是大数据学习要明确的关键问题，需要大数据应用落地，如果把数据科学成果转化为数据工程进行落地应用，难度很大，这也是很多企业质疑数据科学价值的原因。且不说这种转化需要一个过程，从业人员自身也是需要审视思考的。因为实践出真知，我们要想做好大数据，就必须不断的实践才能够做到这些。
以上的内容就是小编为大家介绍的学习大数据的建议，大家在学习大数据的时候一定要好好学会借鉴和举一反三，提高自己的学习效率，最后祝愿大家早日学成大数据。