2018年，近50%的公司正在实施和扩大大数据技术的应用。另外30%的人计划在未来12个月内采用大数据技术。62.5%的公司现在至少有一个大数据项目在生产中。只有5.4%的公司没有大数据应用计划或正在进行的大数据项目，尽管大数据市场将继续增长。不用说，新的大数据技术正在进入市场，而一些旧技术的使用仍在增长，希望给正在学习大数据的朋友一个明确的方向，不再盲目学习。
1、大数据学习应该是业务驱动的，而不是技术驱动的：数据科学的核心能力是解决问题。
2、大数据学习应该充分利用开源，而不是重复车轮：数据科学的技术基因在于开源。
3、大数据学习的重点是点对点、面对面、不贪求完整性：数据科学要把握碎片化、系统化。
4、大数据学习在实践中应该是大胆的，而不是纸上谈兵的：我们必须清楚我们是在做数据科学还是数据工程，我们需要什么技术能力，我们现在处于什么阶段。否则，由于技术的需要，很难很好地学习和使用大数据。
#include <stdio.h>
int main()
{
printf("学习从来不是一个人的事情，要有个相互监督的伙伴\n");
printf("工作需要学习大数据或者有兴趣学习大数据的伙伴可以家我球球_3408922784\n");
return 0;
}
第一阶段：大数据基础设施建设：主要是大数据的存储、管理和使用。同时，要考虑大数据平台与现有业务系统的互操作性和集成性。
第二阶段：数据描述性分析阶段：主要关注海量存储条件下管理的大数据的离线或在线基本描述性统计和探索性可视化分析、交互查询、汇总、统计和可视化。如果构建了一个BI系统，则需要将OLAP、KPI、报表、图表和Dashbo与传统的BI技术集成在一起。ARD分析和初步描述性数据挖掘分析
第三阶段：大数据的高级预测分析和生产部署：在合理的初步描述和分析结果的条件下，与预期目标相一致，数据分布管理和描述分析稳定成熟。先进的预测挖掘分析可以通过机器学习来实现。深入学习等NG模型适合批量数据处理，结合进一步的智能分析要求。通过逐步迭代优化挖掘模型和数据质量，形成了一个稳定、可靠、可扩展的智能预测模型。分析结果得到了企业相关业务服务决策的支持，并得到了验证、部署、评估和反馈