有很多学习大数据的朋友，在初期学习时，通常会对如何学习而感到迷茫。我经常在直播课堂上收到朋友提问关于如何入门、如何规划学习大数据、大数据的学习流程是什么的一些问题。今天我就粗浅的总结几点学习大数据方法。
一、兴趣建立
在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴
那么如何建立起对大数据的兴趣呢？
相信大家都有自己的兴趣爱好，而大数据的应用恰恰非常广泛，总能找到与你兴趣点符合的应用。比如：人工智能！我个人就非常喜欢各类高科技产品，当初进入大数据这个行业，也是因为我的这个个人爱好。
所以找到自己的兴趣点，去发掘大数据在其中起到的神奇作用，这是最简单的兴趣共鸣。当一个人通过自己的努力获得的成就感就是最大的兴趣，在空闲的时候也可以到一些大数据论坛转转，你会发现一群程序员在一起除了技术交流外，还有属于程序员的幽默和八卦。久而久之你的大数据兴趣就培养起来了。
二、脚踏实地、切忌浮躁
俗话说：一口吃不成胖子，但现在的社会中人人都想一口吃成胖子。浮躁成为了当代人的一个符号，尤其是1，2线城市中承受着快节奏、大压力的人们，还有我们这些对大数据行业充满希望的学生。面对诱惑、非言和机会，不论是企业、客户、政府、学校、还是培训机构都笼罩在浮躁之气当中。但我们要做好自己不受他人影响，不忘初心做好自己，才弥足珍贵。
作为学生，不忘初心就是脚踏实地的好好学习。熟练掌握大数据技术才是你学习阶段最该关系的事。不要每天活在幻想中，幻想毕业后的高薪工作、幻想自己变成技术大牛，这一切都是建立在你的大数据技术掌握的程度。
三、行动非心动
很多想学习或转行大数据的朋友，从2017年大数据开始火爆的时刻开始观望直到现在还未能决定。然而那些和你一起关注大数据并行动学习大数据的学员，已经拿着15-20K的高薪在生活和工作了。心动不如行动，大数据的路上人越来越多。等，只会失去这个时代少有的机会。不论做什么事，如果你能在今后的生活和工作中做到行动而非心动，成功只是时间问题。
四、学操结合，项目跟进
在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴
大数据是一项未来社会和企业都无法避开的技术，几乎全行业都需要大数据技术的支持，包括传统企业及人工智能等新兴行业。大数据到底学什么？是我收到的最多的问题。其实大数据的方向有很多，而当前企业对大数据人才的需求主要集中在大数据开发。说到开发相信大家第一时间想到的就是编程。
到底要如何学习，才能更快的掌握大数据编程技术呢？
1、读源码 2、原理剖析 3、抄代码 4、运行 5、默写代码 6、项目跟进。
这样学习的好处是什么呢？读源码和原理剖析不用解释，抄代码是为了让你亲手操作一遍加强记忆，运行结果分析可以更快更牢固的掌握知识点，然后默写一遍总结自己掌握水平。
最重要的是项目跟进，将教会你所掌握的编程技术在实际应用中如何使用，也就是你在未来工作中的工作如何进行。在面试及工作中项目经验都将直接决定你的薪资和发展，只有用真实的企业大数据项目进行对学生实训，以提高学生的竞争力，这才是学习大数据就业的重中之重。
五、工具的使用
工欲善其事必先利其器。开发工作包含各种各样的活动，需求收集分析、建立用例模型、建立分析设计模型、编程实现、调试程序、自动化测试、持续集成等等，没有工具帮忙可以说是寸步难行。
工具可以提高开发效率，使软件的质量更高BUG更少。
六、为什么要学习大数据
今天大数据技术已经广泛应用于生活、工作及城市规划中，大数据人才需求量不断增长，而大数据人才产出不足造成大数据人才严重短缺，未来的人工智能、云计算、物联网都与大数据息息相关不可分割，大数据人才需求量将爆发式增长。所以，从就业前景，发展方向等多方面来看，学大数据无疑是最佳选择。
想要找到适合自己的大数据发展方向，我们先要了解大数据的工作方向，主要分以下几点：
01.大数据工程师
02.数据分析师
03.大数据科学家
04.其他（数据挖掘本质算是机器学习，不过和数据相关，也可以理解为大数据的一个方向吧）
二、大数据工程师的技能要求
必须技能10条:
01.Java高级(虚拟机、并发)
02.Linux 基本操作
03.Hadoop（此处为侠义概念单指HDFS+MapReduce+Yarn ）
04.HBase（JavaAPI操作+Phoenix ）
05.Hive(Hql基本操作和原理理解）
06.Kafka
07.Storm
08.Scala需要
09.Python
10.Spark (Core+sparksql+Spark streaming ）
高阶技能6条:
1.机器学习算法以及mahout库加MLlib
2.R语言
在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴
3.Lambda 架构
4.Kappa架构
5.Kylin
6.Aluxio
三、大数据的学习技术点
Hadoop核心
(1) 分布式存储基石：HDFS
HDFS简介 入门演示 构成及工作原理解析：数据块，NameNode, DataNode、数据写入与读取过程、数据复制、HA方案、文件类型、 HDFS常用设置 Java API代码演示
(2) 分布式计算基础：MapReduce
MapReduce简介、编程模型、Java API 介绍、编程案例介绍、MapReduce调优
(3) Hadoop集群资源管家：YARN
YARN基本架构 资源调度过程 调度算法 YARN上的计算框架
离线计算
(1) 离线日志收集利器：Flume
Flume简介 核心组件介绍 Flume实例：日志收集、适宜场景、常见问题
(2) 离线批处理必备工具：Hive
Hive在大数据平台里的定位、总体架构、使用场景之Access Log分析 Hive DDL&DML介绍 视图 函数（内置，窗口，自定义函数） 表的分区、分桶和抽样 优化
(3) 速度更快的Hive：Impala
Impala在大数据架构中的角色 架构 数据处理过程 一般使用步骤：创建表，分区表，查询等 常用查询演示：统计，连接等、Impala与Hive的比较 常用配置与最佳使用建议（查错，调优等）
(4) 更快更强更好用的MR：Spark
Scala&Spark简介 基础 Spark编程（计算模型RDD、算子Transformation和Actions的使用、使用Spark制作倒排索引）Spark SQL和DataFrame 实例：使用Spark SQL统计页面PV和UV
实时计算
(1) 流数据集成神器：Kafka
Kafka简介 构成及工作原理解析 4组核心API 生态圈 代码演示：生产并消费行为日志
(2) 实时计算引擎：Spark Streaming
Spark Streaming简介 工作原理解剖 编写Streaming程序的一般过程 如何部署Streaming程序？ 如何监控Streaming程序？ 性能调优
(3) 海量数据高速存取数据库：HBase
HBase简介 架构及基本组件 HBase Table设计 HBase基本操作 访问HBase的几种方式
大数据ETL
(1) ETL神器：Sqoop，Kettle
数据同步ETL介绍 Kettle常用组件介绍 、抽取Mysql数据到Hive实战 Sqoop介绍、抽取Hive数据到Mysql实战
(2) 任务调度双星：Oozie，Azkaban
ETL与计算任务的统一管理和调度简介 Crontab调度的方案 自研调度系统的方案 开源系统Oozie和Azkaban 方案总结与经验分享
大数据应用与数据挖掘
(1) 大数据全文检索引擎：Elasticsearch
全文检索基础知识，ES安装及初级介绍，ES深入理解，使用经验介绍
(2) 数据仓库搭建
为什么要构建大数据平台大数据平台的的经典架构深入剖析“五横一纵”的架构实践 知名互联网公司大数据平台架构简介
(3) 数据可视化
什么是数据可视化，数据可视化常用工具与必备技能介，Tableau和ECharts实操讲解 ECharts介绍，知名互金公司可视化经验介绍
(4) 算法介绍
介绍数据挖掘，机器学习，深度学习的区别，R语言和python的介绍，逻辑回归算法的介绍与应用，以及主要的推荐算法介绍
在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴
四、学习资源推荐:
01.Apache 官网
02.Stackoverflow04.github
03.Cloudra官网
04.Databrick官网
05.过往的记忆（技术博客）
06.CSDN，51CTO
那么，有人就会问，学习大数据，Python和java哪个学习比较有优势呢？
如果是大数据方向，python明显是比java更有优势，所以个人建议是从python入手。为什么这么说呢，我认为受以下几个因素的影响。
大数据从目前来看，数据分析、数据挖掘、机器学习、人工智能等都归属于大数据的范畴，其实是大数据技术与数据科学的混合体
大数据目前来看是大数据技术与数据科学的混合体，大数据技术偏重工程实话，对计算机编程要求较高；数据科学偏重数学抽象，对数学与统计要求较高。大数据技术通过编程语言去解决业务问题，可以理解成我们生活中的码农，而数据科学则更多的是利用统计工具或者脚本语言对数据的处理分析，通过使用到的是Matlab、R、SAS、SPSS等工具。
python与java语言的本身的定位有关系
java是一种面向对象编程语言，不仅吸引了c++语言的优点，还摒弃了难以理解的多继承、指针等概念。java具有功能强大、易于理解的特点。java主要用于商业逻辑强的领域，如商城、erp、oa、金融等领域。
python是一种面向对象的解释型语言，python是纯粹的自由软件，源代码与解释器cpython遵循GPL协议。python主要用于数据分析、科学计算、金融分析、数据挖掘、人工智能等领域，具体快速开发特性的应用场景。
总的来说，想学习大数据对于Pythong来说更适合一些，Python在数据科学方面的应用会更有优势较java语言，当然如果偏向于应用的开发方面-比如数据产品类的，则java会更有优势
学习大数据以后，那么就业方向怎么样呢？
总的来说：三大方向，十大职位。
大数据主要的三大就业方向：大数据系统研发类人才、大数据应用开发类人才和大数据分析类人才。
十大职位：1、ETL研发；2、Hadoop开发；3、可视化（前端展现）工具开发；4、信息架构开发；5、数据仓库研究；6、OLAP开发；7、数据科学研究；8、数据预测（数据挖掘）分析；9、企业数据管理；10、数据安全研究。
希望这些对大家有些用处，只要你肯努力，相信没有做不好的事情，希望大家所有的努力都会得到更好的回报，天空这么广阔，总有一片天适合你飞翔！