黑客入侵某棋牌网站后台管理系统实战

开篇

最近和大学生交流比较多，在交流的过程中，发现了很多在读大学的同学们，都对大数据非常感兴趣，一是社会上的大企业，例如BAT，无一例外的都在努力地拓展机器学习的业务，二是大学中，每个学科的研究，都不断地往大数据靠拢。他们自己在接触大数据相关技术和案例的过程中，和我讨论了很多问题，下面我一一整理出来，和大家分享。

问题：

大数据是一个交叉学科的领域，而在大数据当中，计算机仅仅是一种工具。很多非计算机科班出身的学生也可以通过自学掌握数据挖掘、数据分析等知识。那么非计算机专业的学生，学习大数据应用，是否会明显比计算机专业的学生更有优势呢？

首先，我想说的是，在终生学习的时代，已经没有绝对的优势。

第一、优势要看场景，例如屠龙之技，只能屠龙，你拿去杀猪，明显不合适；

第二、优势有时间范畴，今天你有一点优势，说不定，明天就被人超越了；

从上面两点，我们可以总结出，要保持优势，首先是多方面的能手，对身边的知识保持兴趣，只有不停地学习，才能保持优势。

本科四年学习的东西，不客气地说，其实是非常有限的。再加上二八定律——只要学习了某个专业20%的知识，就可以解决对应岗位上80%的工作。因此，四年时间学习到的内容，有心人八个月，就可以掌握到20%的核心知识点了。

然后呢，你四年肯定也不是100%的时间都在学习，你还有寒暑假，还有周末，万一你跑出去玩了，那么别人可以更快，大概就三四个月，就可以把你大学专业学到的20%的专业技能弄到手了，所以，专业其实没有你想象中的那么有优势。

接着，我们来聊一下，交叉学科。

作为非计算机专业的学生，可以去学习计算机技能，这个是肯定可以的，同理，其实，计算机学科的同学，也可以去学习其他专业的技能。

以我自身来举例，我是十年前大学毕业的，专业是应用数学专业，基本上没有学过计算机，那时候教授们讲的数据科学，我就觉得特别有用，一看到教授们演示数学在实际工作中的应用，我就觉得非常酷炫。

这个就是学科的信仰，有了这层兴趣，我就自学了计算机的很多知识，开花结果的证明就是，我在大学四年级的时候，就在广州多玩游戏（现在名为YY欢聚时代）作为一名Java程序员开始参与互联网的工作了。

同时，我在大学里面，也辅修了《工商管理》专业的课程，目的就是增加自己在就业中的竞争力。别看今天应用数学专业的学生很吃香，在大数据时代，他们很多还没有毕业，就在BAT定好三方协议了。当年还完全没有大数据的概念，数学专业的学生毕业了，除非很名牌的大学，否则只能到职业学校去当数学老师。这个是不是也间接地体现了所谓优势的时间和场景限制呢？

因此，其实一个大学生，要学习交叉学科还是挺简单的，只要你成绩不挂科，基本上都可以进行双学位、三专业、辅修专业的学习。再不济，在大学里面，关注一下其他学院的公众号，有什么大讲座都去听一下，看看别的领域的大师都在干些什么，听多了，也就可以知道那个领域，在现实的实践中，有什么巨大的优势技能了。

展开全文

所以啊，在学校里面，交叉学科，你多学习了一个学科，肯定是比那些单专业的人有优势，但是不能作为一种长期优势。

最后，我们来聊一下，社会中，大数据需要什么样的人才。

要知道大数据需要什么样的人才，就必须知道，目前大数据发展到了哪个阶段。因为在大数据的不同阶段，都需要不同类型的人才，去推动它的发展。

大数据发展的第一个阶段，就是概念的阶段。

在这个阶段期间，企业、大学，很多专家学者，开始意识到大数据在不同领域，有着巨大的价值，于是，他们开始在不同的场合推动这个事情。

这个阶段大数据需要的是，各个行业的领军人物，例如IT企业的专家工程师，大学里面的学者教授，大数据需要他们去研究，论证和推动大数据。

这个阶段的产物，就是徐子沛等人的《大数据：正在到来的数据革命》等书籍的出版。

大数据发展的第二个阶段，就是数据的落地。

意识到大数据有用之后，各大公司，企业，纷纷搭建起自己的数据仓库，开始使用分布式存储系统，把自己的数据都永久地保存下来，以面对以后可能出现的大数据竞争。

这个阶段大数据需要的是，大数据存储工程师了，企业中我们称为DBA，也就是数据库管理员，他们和大数据存储最为接近，为企业的数据仓库搭建和管理，做出了巨大的贡献。

这段时间的产物，就是著名的 Hadoop 分布式存储系统的成熟使用。今天，Hadoop已经是大数据仓库的标配，它宣告大数据存储阶段的完成。

大数据发展的第三个阶段，就是数据的计算。

有了数据之后，就要把数据用起来。就好像钱存在银行，只能每年都贬值，在一些国家，还会负利率，也就是钱越存越少，数据存储，也是需要耗费大量的计算机资源的。

这个阶段大数据的需求是，BI大数据工程师。BI就是商业智能，包括大量的报表和一些初级的机器学习系统。这个阶段，大家开始从业务里面，抽象出大量的指标，例如pv，uv等等，使用不同的业务指标，去体现不同的业务场景，开始使用数据来指导业务。

例如在Facebook的实践中，就发现了，用户注册之后，如果他在注册后的一周内，好友数达到了多少个人，那么30天留存率就可以提高多少个百分点 之类的运营结论。

又如amazon在它们的电商网站中，使用协同推荐算法，为客户进行个性化推荐，大大地增加了商品的交叉销售，提高了利润。

这些规则的发现，都是通过大量的多维度报表来进行观察而得出的。这些报表，都需要从原始的数据仓库中获取数据，然后进行统计得到，这些操作，就非常考验数据的计算能力了。

这段时间的产物，就是各种基于内存的计算框架，例如spark等等，把之前基于存储的Hadoop的MapReduce计算引擎，打得体无完肤，摇摇欲坠为标记。

当然你不能说Hadoop就输了，到目前为止，Hadoop的存储框架，还是大数据存储的唯一标准，没有之一，只是大家把它的计算框架改良了而已，spark就是做得最好的大数据分布式计算框架，spark也是基于Hadoop的存储之上的，大家都没有抛弃Hadoop作为存储，这个必须知道这一点。

接着，就是到了大数据发展的第四个阶段，人工智能的阶段了。

腾讯公司CEO马化腾刚说过，大数据到了现在，已经不再是算法和数据的时代，已经到了场景的时代。什么意思呢？他解释说，各种人工智能的算法，以及训练模型的样本数据，在BAT中都不是问题，问题是，我们需要有使用场景，有了使用场景，算法和数据的问题，自然而然地会被解决。

因此，我们可以说，大数据接下里的阶段，也就是：

大数据发展的第四个阶段，场景的阶段

场景的阶段，就是我们如何把现有的人工智能算法，把它应用于现实的生活中，这个阶段，就要鼓励各个行业，各个专业，各个领域的工作者，去思考目前自己当前的岗位上，有些大量的，重复性的，可机械化的工作，把它交给机器去完成。

因此，从这个阶段的主要工作来说，就非常需要对自己的工作领域，有深刻思考的人了。在这个阶段，专业的重要性，就可以很好地体现出来了。

最后，我们来总结我们的观点，我们可以得到这么一个结论：

如果一个计算机专业的学生，只是很精通计算机专业，那么他只能在大数据行业中，从事前面三个阶段的工作，而即将到来的场景的阶段，它是无法胜任的。而那些对自己的专业有着深刻的理解，对计算机人工智能算法有研究，知道如何使用它的人，将会是场景阶段的稀缺人才。

以上就是我的观点，如果大家对我的回答有不同意观点的，欢迎微博和我讨论，我的微博是@大数据分析实战 谢谢！

数据分析工具学习路线图

体系、简单、实用的数据分析视频课程：

一、数据分析入门必备课程(原价307元，现优惠价249元)

http://study.163.com/series/47001.htm

二、数据分析进阶（非编程）

(1)跟文彤老师学Modeler数据挖掘（实战入门篇） 优惠价238（原价396）

http://study.163.com/series/1001291001.htm

(2)跟文彤老师学Modeler数据挖掘（实战大师篇） 优惠价388（原价646）

http://study.163.com/series/1001292001.htm

(3)跟文彤老师学SPSS数据分析（中级篇） 优惠价295.2（原价492）

http://study.163.com/series/1001293002.htm

(4)跟文彤老师学SPSS数据分析（高级篇） 优惠价450（原价750）

http://study.163.com/series/1001293002.htm

PS：就只有一句：文彤老师是国内SPSS培训讲师NO.1，没有之一。

三、数据分析进阶（编程）

(1)Python数据分析与数据挖掘实战(原价298元，现优惠价253元)

http://study.163.com/series/1001143001.htm

(2)R数据分析与数据挖掘实战(原价228元，现优惠价189元)

http://study.163.com/series/1001141003.htm

注：由于WX限制，以上链接需要手动复制至浏览器粘贴打开，其他数据分析视频课程直接点“阅读原文”进入学习。