大数据人才极度匮乏，无论是互联网巨头企业、还是中小型企业、创业公司都非常缺乏大数据专业人才。在数据驱动的未来，大数据人才市场势必会越来越大，而现在仅仅是大数据起步的进阶阶段，可以想象未来的人才缺口有多大。所以现在入行正是恰逢其时。市场需求的不断扩大也必将使得学习大数据的价值得到凸显。
大数据如今能够火爆的一个重要原因，就是大家看到了大数据的能力，无论是在挖掘、统计、预测评估及决策等方面都发挥着举足轻重的作用。在如今的互联网大时代，我们每天都在日常生活、工作、游玩、各种服务型消费等都在产生着巨大的数据，根据IBM调研的说法，人类每天生成250亿字节的数据。这相当于一堆DVD数据从地球到月球的距离，涵盖我们发送的文本、上传的照片、各类传感器数据、设备与设备之间的通信的所有信息等。如何从海量的信息中找到我们想要的信息，就成为大数据行业产生的一个必要因素。
看到大佬分享的经验，我就搬运过来了，希望对大家有所帮助，推荐一个大数据学习群 142973723每天晚上20:10都有一节【免费的】大数据直播课程，专注大数据分析方法,大数据编程，大数据仓库，大数据案例，人工智能,数据挖掘都是纯干货分享，
一、学会爱数据
没有人谈论在学习动机。 数据科学是一个广泛而模糊的领域，这使得它很难学习。 没有动力，你最终会中途停止对自己失去信心。
你需要些东西来激励你不断学习，即使是在半夜公式已经开始变的模糊，你还是想探究关于神经网络的意义。你需要些动力来让你发现统计、线性代数和神经网络之间的联系，当你在困惑“下一步我该学习什么？”的时候。
我学习的入口是用数据来预测股市，尽管当时我完全不熟悉。我编码的第一批项目用于预测股票几乎没有统计，但是我知道它们表现的并不好，所以我日以继夜的工作让它们变的更好。
我痴迷于改善程序的性能，我痴迷于股票市场，我学习去爱数据。我去学习一切能让这个项目结果更好的技能。
并不是每个人都会痴迷于股市预测，但重要的是要发现你想学习的东西
二、在实践中学习
学习神经网络、图像识别和其他尖端技术是很重要的，但大多数数据科学工作不涉及这些：
90%的工作将是数据清理。
精通几个算法比知道一点许多算法要好。
如果你知道线性回归、k - means聚类和逻辑回归,可以解释和诠释他们的研究结果,并可以用这些完成一个项目，你将比如果你知道每一个演算法,但不使用它们更优秀。
大多数时候,当你使用一种算法，它将是库中的一个版本(你很少会自己编码支持向量机实现——这需要太长时间)。
所有这些意味着最好的学习方法是在项目工作中学习，通过项目，你可以获得有用的技能。
一种方法是在一个项目中先找到一个你喜欢的数据集，回答一个有趣的问题。
另一种方法是找到一个深层次的问题，例如预测股票市场，然后分解成小步骤。 我第一次连接到雅虎财经的API,并爬下每日价格数据。然后我创建了一些指标,比如在过去的几天里的平均价格,并用它们来预测未来(这里没有真正的算法,只是技术分析)。这个效果不太好,所以我学会了一些统计知识,然后用线性回归。 然后连接到另一个API,清理每一分钟的数据,并存储在一个SQL数据库。 等等,直到算法效果很好。
这样做的好处是我在一个学习环境中学习。我不仅仅学习了SQL语法，用它来储存价格数据，还比仅仅学习语法多学习了十倍的东西。学习而不应用的知识很难被保留，当你做实际的工作的时候也不会准备好
