我々は独自の方法を見つけるために、大規模なデータニーズの開発を学ぶ前に、あなたは自分の状況を見て最初の必要性、開始点が興味あるかどうかビッグデータのは、彼らは本当にそれに興味を持っていないということである上、現在でビッグデータを理解しますどのように多く、彼らの学習能力と学習の適性を理解する能力。よく準備場合は、クロス方向転換する場合。基本的なレベルに応じて、3つのカテゴリに分けることができます。
最初のカテゴリ：ゼロベースの実務家、無知なビッグデータのための産業と技術。
第二のカテゴリー：基づいて、特定のプログラミングがある少しを知っているビッグデータ業界には、何の髪は本当に使用しないでください。
第三のカテゴリー：仕事の経験のエンジニア、ビッグデータ業界を理解するためには、大規模データの開発を切り替えたいです。
自分の状況把握に加えて、我々は、学習プログラムに基づくさまざまな学生のためのさまざまな異なる段階にあります。
彼らが望むゼロベースの自習大規模なデータについては、不可能と言うが、多くは失敗しないように、客観的な理由：貧しい学習環境、主観的な理由：悪い財団は、読み取ることができない、あきらめて直接、鈍い学ぶことができません。
ゼロベースのビッグデータを学びたい学生のために、最善の解決策は次のとおりです。いくつかの大規模な動的なデータフィールドの最初の懸念は、このような大きなビッグデータ環境に身を聞かせて。そして、情報のプログラミング言語（必要な基本的なスキルビッグデータ）と映像と大規模なデータ・エントリ・書籍、基本的な技術知識や知るを見上げます。
いくつかの時間のために勉強した後、あなたは、データ・ベースが大規模なビデオや書籍へのステップバイステップを探し続けるにも対応することができると思う。彼らは自分のエントリが難しく、どちらかあきらめるか、自分自身のために投資することをいとわないと感じた場合信頼性の高いトレーニング機関を選択することが、置きます。
データサイエンスとビッグデータの学習特性の誤解
1は、ビッグデータをビジネス主導型であることを学んではなく、技術主導型：科学的データのコアコンピタンスは、この問題を解決することです。
ビッグデータのコア目的は、それが科学的問題や問題、ビジネス上の意思決定である、またはそれはガバナンスの問題であるかどうかを、具体的な問題を解決するためのデータ駆動型のインテリジェンスです。
、その単語のHadoopへの真だから、問題を学習する前に明確にすることが再び問題、いわゆる問題指向、目標指向、この研究を理解し、唯一の目標となるように、明確にした後に適用されるように適切なテクノロジーを選択し、ビッグデータ分析スパークが厳格ではありません。あなたがビッグデータの開発に興味がある場合は、システムが望むビッグデータを学習する Junyangケリを学ぶために、あなたがビッグデータ交換技術に参加することができます：522 189 307は、学習リソースへのアクセスをコースの説明を理解するために、追加を歓迎します。異なる方向の理論、技術およびツールでのサポートを必要とする様々なビジネス分野。このようなテキストとして、自然言語モデルへのWebページには、時系列でのデータストリームの変更が必要なモデリング、複数のオーディオおよびビデオの画像が混在時空間モデリングされています。
プロセスは、分散ストレージのニーズはストレージクラウド大型データ取得爬虫類、エクスポート及び注ぎ前処理サポートを必要とする、リソース管理のサポートをクラウドコンピューティングは、計算モデルのサポートを説明等の分類、予測を必要とし、可視化アプリケーションのニーズ、知識、判定評価支援。
技術は技術に応じてビジネスを考慮しないビジネスの意思決定、であるので、これは大規模なデータエラーを回避するための最初の研究です。
2、学習ビッグデータのオープンソースを十分に活用するためには、ホイールを作成繰り返さないでください：データ科学の遺伝子技術はオープンソースです。
ITは、オープンソースのフロンティアは、そのスマートフォンの民間人ので、不可逆的な傾向、Androidのオープンソースとなっている、私たちはモバイルインターネットの時代に入った、スマートなオープンソースのハードウェアは、大規模なデータによって表されるのHadoopとスパークに物事の時代につながりますオープンソースのエコシステムは、オープンソースを採用する従来のIT巨人を強制、IOE（IBM、オラクル、EMC）プロセスを加速するために、（Tensorflow、トーチ、代表としてカフェでの）深い学習、オープンソースのGoogleとOpenAI連合（EU）は、人工知能の開発を加速しています。
彼らは衰退の一般的な傾向を把握することはできませんので、科学的データRとPython言語の標準が原因オープンソース、オープンソースのノキアにオープンソースと健康、そして繁栄によるものです。
オープンソース、コンポーネントベースの工業化とITのおかげで、開発、基本的な技術スタックやツールライブラリの主要な分野は非常に成熟してきたのはなぜ、次の段階は、高速なブロックを構築し、問題を迅速に組み立てる方法で、高速出力、それがあるかどうかベース部材は、方法、めったに繰り返さ製ホイールから構成された組み合わせを実現新しい技術に関連して、既存のオープンソースのライブラリを使用して、実質的ライブラリであるanroid又はtensorflow Linuxでは、。
GitHubのオープンソースプロジェクトの星はとても集団の知恵とオープンソースのプログラミングを十分に活用するために、することができながら加え、クラウドソーシングは、集合知プログラミングの現れであることをオープンソース開発モデルでは、企業がグローバルなエンジニアを構築することができない、知性を開発し、ホイールを再作成しないでください、これは、第二の神話を避けるために学ぶビッグデータです。
3、ビッグデータは学習エリア、ないTandaqiuquanにポイントへ：データ科学は、断片化し、全身を把握します。分析を前述のビッグデータ技術システムによると、我々はビッグデータ技術の深さと幅が一致しないことができ、従来の情報技術です見ることができます。
ビッグデータとアプリケーション固有の領域のみが値を生成するために組み合わせる、データ科学や工学のデータがあるビッグデータは重要な問題をクリアするために学びます。
ビッグデータの学習は、私はなど、段階に今あるデータ科学やエンジニアリングデータ、どのような各ニーズの技術力を、やっていたことは明らかでなければならない、または技術と技術のために、大きなデータを学習し、使用することは困難です。
