总理站台，主席打call，站在互联网风口上的大数据，人才需求火爆，缺口过百万。35所高校纷纷开设大数据专业，与此同时，大数据培训机构也如雨后春笋般潮涌出现，表面一派繁盛景象，可实际上呢？

据业内知情人士爆料，大数据教培市场 “野鸡课程”层出不穷。不择手段的招生方式，鱼龙混杂的课程大纲，使得不少学员大呼上当。那么，大数据开发培训存在的主要问题是什么？

大数据开发是一门深奥的学科，很多“戏精”机构提供的并非真正的大数据课程，而是主要以Java、大数据可视化、云计算等擦边内容，掺杂皮毛大数据知识来支撑整个课程，混淆真实大数据授课标准，骗你没商量！3·15之际，好程序员总结了以下大数据假课，避免学员入坑。

Java核心披着大数据开发外衣

某家号称亿元级外企IT培训机构，大数据课程偏重Java、JavaWeb、Spring、SpringMVC、MyBatis等。三大授课阶段，Java就占了一半，项目也有大量Java web项目，技术上可能使用了部分大数据技术，但根本不是大数据项目。当然，并不是说Java不重要，Java语言是大数据工程师所使用的主流语言，但大量Java课程会占用学员真正学习大数据技术的时间，相比真正的大数据而言，避重就轻，让人唏嘘不已。

假课

一

某家号称亿元级外企IT培训机构

混淆大数据与大数据可视化

某家号称国内首家大数据上市机构，以大数据可视化冒充大数据开发，满满的套路。数据可视化是基于库里的数据（标签数据、结果集），形成一个列表等散点图或分类列表，简单的说就是数据展示，即页面上以图表的形式展示数据。真正的大数据开发，核心在于数据采集、数据清洗ETL过程、数据分析以及机器学习，培训学员面向的都是大数据开发工程师、大数据分析工程师、数据挖掘工程师、算法工程师等。大数据可视化培训课程偏重Photoshop、Javascript及可视化工具，学员就职大数据运维工程师，薪资低、就业慢，岗位少，据智联招聘显示，大数据可视化人才招聘岗位量仅为一百左右。在企业环境中，数据可视化是H5开发工程师、UI等其他工种在做，并不是大数据工程师的工作范畴。

假课二

某家号称国内首家大数据上市机构

挂着大数据的头卖云计算核心的肉

以云计算概念混淆大数据概念，课程中充斥着大量云计算的内容来耗时间。云计算作为大数据的基础，周边技术储备的确是大数据工程师必备。大数据未来的发展，将分成很多方向，云计算是大数据的基础设施，但未来大数据的运行将更多的依赖于云服务，企业中真正需要云计算运维的岗位会越来越少。并且，云计算运维方向知识点很广，应该作为一门单独的学科来全面的讲授。所以，云计算是运维，做服务和设施，而大数据工程师是做研发，以服务与设施为基础，二者不能混淆。

假课三

某家号称无基础学习大数据的培训机构

各学科基础大杂烩，真正大数据占比小

此类大数据假课以基础概大全，大讲Linux知识、Java知识、数据库知识，真正涉及的大数据只有Hadoop。以上知识是大数据工程师所必须掌握，但只是大数据的基础，即“皮毛”，做服务、做开发的，就算不是大数据工程师，也必须掌握这部分的知识。大数据开发培训，不能将重点放在这些基础知识上面，而减少大数据知识体系。

雾里看花，水中望月，难以分辨。看了这些是不是觉得内心很绝望？在这个践行丛林法则的社会里，学员一旦受骗，不仅要蒙受时间损失，更有可能断送一个未来的大数据精英。

下面我们就带有志学子认识一下真实的大数据课程，走上开发正途：

到底什么是真正的大数据培训？

假课四

培训机构的通用套路

真正的大数据开发培训，一定是包含hadoop生态体系和spark生态圈，能够搭建hadoop系统架构和集群，搭建spark架构，构建spark集群，处理Spark SQL、sparkstreaming问题，传授Java语言、Scala、Python语言脚本、Linux常用命令等语言。

好程序员全栈式大数据开发，真实商业数源授课，致力于大数据系统集成工程师培养。课程设置为24周，7周Java基础语言+5周Linux&Hadoop生态+4周Spark&Storm+5周项目阶段+3周人工智能，学习包括Java、Scala、Python、AWK、Shell等在内的多种基础语言，全程企业真实项目深度实操。

2018课程升级新增数据分析+人工智能授课点，对全国各大人工智能研究所的4大机器学习模型以及语音识别、图像识别、自然语言处理、人机交互等人工智能进行深度学习，好程序员只提供真实的高端大数据课程内容。

“质”敬3·15，我们在行动

“质”敬3·15，我们在行动，揪出大数据假课，让黑心培训无所遁形！好程序员，还大数据培训一片净土。与其静观其变，不如勇于改变，欢迎大家加入大数据爱好者QQ交流。

好程序员致力于移动互联网精英人才培养，开设全栈HTML5+、大数据+人工智能、JavaEE+云数据等多门课程。学员入职阿里、新浪、百度、搜狗等知名企业屡见不鲜，成就学员转行、就业，拿高薪进名企的梦想。

在先进技术逐渐融入自然学科的过程中，学科交叉现象已是大势所趋。

上次我们谈到了机器学习方向的

统计学知识

的学习方法：

机器学习入门——我的统计学该从哪里补起？

而对于数据分析在人工智能领域的应用，本次

竹间智能 数据科学家 张旭

，将分享一些AI方向必学的数据分析课程和相关知识，希望对有意进入该领域的同学有所帮助。

学习数据分析（AI方向）的课程前提，需要明确数据分析（Data Analysis）和数据科学（Data Science）的区别。数据分析算作数据科学的一个分支，除了机器学习（Machine Learning）外，还有很多偏重数据分析的内容，所以如果对于数据科学的各个分支都学的话，可能会因为学的太宽泛而导致多个课程都较难取得突破。

学习数据分析的重点，不仅仅是通过课程来学习知识，更是需要通过课程来培养数据的敏感性，利用数据来激发出更深远的洞察（insights）。

数据分析是一个实践性很强并容易运用于各个领域的专业技能，所以为了有效地学习数据分析，我们需要了解数据分析所涉及的几个重要环节，然后根据兴趣点来学习相关课程。

首先数据分析可以分为：

一、

处理数据(数据准备工作)

在训练模型（train model）前或者整理所需要的数据时，最重要的就是

数据的清洗处理

工作。可能多数情况下我们都在讨论各种Machine Learning的模型，但是如果训练集这一基础环节出现了问题的话，模型也不会很好。人工智能方向训练模型所需要的数据量比较大、维度也甚广，通常这些数据会有各种各样的问题，所以需要花时间清洗、整理数据。比如，处理缺失值、重复值、异常值等等，尽量将海量数据转换为自己想要的规范格式。

二、训练数据（数据分析过程中

）

在处理完数据后，可以做可视化处理（visualization），观察数据的趋势然后思考模型的运用，从回归模型（regression model）到神经网络，都要进行各种参数的检验工作，这一部分偏重

模型的学习

。

三、数据验证、测试、展现（数据后勤工作）

模型训练完后，会准备测试集去检测模型是否准确，根据测试结果找出其精确率（Precision）和召回率（Recall），并根据结果调参优化；同时考虑数据的拟合性。当获得数据分析的结果后，接下来重要的一点是如何将数据展现给他人。

如上面的总结，数据分析的前中后期，都可作为数据分析的不同核心点来进行课程学习，因此对于可能需要学习的课程和补充的知识，我从

理论知识

和

编程课程

两个维度总结如下：

1.

统计学、数学：

从代数、微积分、概率论等做入门功课，再到学习线性回归（Linear Regression）、Classification、决策树（Tree-Based Methods），再到支持向量机SVM(Support Vector Machine)、无监督学习（Unsupervised Learning）及流行的各种神经网络；

AI行业知识：

数据分析要有产品思考，所以你需要了解感兴趣的某一个人工智能分领域或人工智能与某个行业相结合的领域知识(对话、图像识别、语音、金融等)。

2.

Python、R等：

Python、R是Kaggle平台上用到的主要工具，也是最流行的数据分析软件；很多咨询公司会用SAS、SPSS、MATLAB等，因此看对哪个软件有兴趣，再去学习编程课程以及和数据分析相关的有趣的package；

SQL、NoSQL：

数据分析通常都需要掌握结构化查询语言SQL (Structured Query Language)的query语句来进行数据库的操作；通常会有mongodb、hbase等NoSql数据库，因此这些也可当做一门课程去学习；

Spark or Hadoop：

用分布式系统处理大数据也是数据分析的一个亮点，将编程运用到MapReduce进行海量数据挖掘处理；另外，能将数据存储在HDFS上，同样是个加分项；

Office及其他图形化软件：

要熟练掌握PPT、Excel等基础技能，将获取的结果用简洁易懂的方式呈现给看的人；做数据分析visualization很重要，需要学会使用各种可视化图形工具。

图片来源于网络。

竹间智能Emotibot以类脑对话系统和情感计算为核心，希望以人工智能技术助力更多行业、机构及个人拥抱AI时代，分享AI发展的红利。

如需转载，请联系竹间智能Emotibot，并注明出处。

相关阅读：

作为面试官，如何判断一个面试者的深度学习水平？

数据分析是一种逻辑思维能力的锻炼。只要你的逻辑思维能力够强你也可以是一位“大神”。不是再崇拜那些懂得数据分析的“大神”了，你也可以的。今天我把懂的、经历过的数据分析过程、工作详细的写下来，希望同样对你有帮助。

1. 明确数据分析的目的

做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。

比如：为了评估调整后的效果比之前有所提升；或通过数据分析，找到帐户调整的方向等。

明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。

2. 收集数据的方法

说到收集数据，首先要做好数据埋点。

所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。

目前主流的数据埋点方式有两种：

第一种：添加统计代码，添加关键词唯一标识。

第二种：利用第三方统计工具。

常见的第三方统计工具有：

网站分析工具

Alexa、中国网站排名、网络媒体排名(iwebchoice)、Google Analytics、百度统计

不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。然后从帐户中下载关键词报告、搜索词报告、咨询工具对话数据。加以整理以待分析。

3. 帐户基本数据指标

展现：找出关键词报告中大流量的关键词，加以统计；

点击：找出关键词报告中点击最多的关键词与创意；

对话：统计咨询工具中对话数据查看是什么关键词产生的对话；

有效对话：仔细核对什么样的关键词产生的有效对话；

新增流量：新用户增加的数量和速度。如：日新增、月新增等。

转化率：用户会在多长时间内选择购买。如：次日转化率、周转化率、月转化率等。

流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。

4. 常见的数据分析法和模型

这里主要科普下漏斗分析法和AARRR分析模型。

（1）漏斗分析法

用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。

比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。

从用户进入网站到浏览商品页面，转化率是40%;浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。

比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。

当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。

（2）AARRR模型

这个是所有的人都必须要掌握的一个数据分析模型。

AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

5、数据分析需要做的5个分析

（1）趋势分析

了解网站受众人群各个时段对您网站的关注度。通过以上数据可以及时地掌握并改进网站访问质量，制定合适的业务策略，了解各种业务活动的效果。

（2）流量来源

分析全部流量来源，包括：搜索引擎、其他推介网站和直达三种流量来源类型。通过通过以上数据可以了解到哪些搜索引擎网站所带来的流量情况，细分到搜索词的数据以及网民通过除搜索引擎以外的哪些网站访问您的网站。

（3）推广效果分析

以百度推广为例：查看百度推广给您网站带来的流量及转化情况。及时了解百度各类推广方式的效果以及这些效果是否达到了预期的业务目标，从而帮助您更有针对性地改善百度推广方案。

一般来说，如果来访者对于网页提供的信息感兴趣，他们就停留更长的时间，看更多的网页，这就会使追踪数据里的“平均访问时长”和“平均访问页数”上升。如果“平均访问时长”就几秒钟，“跳出率”高达百分之九十几，这说明来访者在网页看不到他们想看的内容。

（4）访客分析

了解访客地域分布：提供各个地域给您网站带来的流量数据，这些数据可以帮助您合理地分配各地域的推广预算和有针对性地制定业务推广策略.了解访客系统环境：各种客户端系统环境的访客在网站上浏览的情况。

（5）受访页面分析

分析受访页面：了解网站内各个页面的访问情况数据、最受访客喜欢的网页是哪些，在各个页面会停留多久等信息。

更多课程推荐：

第29课| SEM（百度竞价）中的数据分析流程

第28课| SEMer不要让这些错误数据影响到你调整帐户

【老司机必看】赵阳竞价培训21期报名QQ：326880138竞价交流QQ群号：541845143

↓↓

大数据是IT领域热度最高的项目之一，其主体内容为统计学、运筹学、机器学习、沟通能力、编程、可视化、商业直觉、数据处理和行业知识等。大数据培训是大数据发展带动下的衍生行业，是培养大数据专业人才的关键。北大青鸟旗舰总校给您更好的发展，体验不一样的大数据课程。

课程模块

模块一

模块二

模块三

模块四

模块五

产品体系-优势、亮点（专业版）

01课程绝对深度+前沿性 好工作、职业发展、各种技术转型

Java+大数据 全栈、技术储备

加入“互联网架构师”课程 绝对提升Level

业务架构

信息架构

应用架构

技术架构

安全架构

网络拓扑架构

不断增加的新技能点

02遇到问题、分析问题、解决问题—最佳实践性教学

业务级解决方案

03遇到问题、分析问题、解决问题—最佳实践性教学

业务级解决方案

系统级解决方案

04项目贯穿、真枪实弹

丰富的项目库，互联网项目为主

垂直架构 | 分布式架构 | 微服架构

互联网应用——最佳解决方案

架构方面

技术方面

业务方面

所有的项目均采用敏捷方式进行开发管理

传统行业

1、架构：垂直架构

业务相对简单、用户量较小、较少的高并发处理考虑

2、技术

Java Core、Web框架(SSM/SSH)等

3、数据存储

Oracle、MySql

互联网行业

1、架构：分布式集群架构

用户量/PV量大增、高并发/高访问处理、业务模块化…

2、技术

DubboX(微服)、MQ、分布式事务处理、缓存技术等

3、海量数据大数据(抓取数据+数据分析挖掘+可视化)

Hadoop、Spark、Storm、Deep-Learning

互联网技术岗位变化-1

1、技术相互交融，各岗位之间界限不明显

对人员的要求：广度+深度

2、技术岗位的职业发展

Backend Dev—技术转型便捷性

3、大数据岗位需具备开发语言基础

互联网技术岗位变化-2

1、产品变革，大数据学院更适应市场需求

2、开发语言作为基础纳入到大数据学院中

大数据岗位技术要求

1、java/Python

2、分布式、高并发、集群、架构设计

3、Hadoop、Spark、Storm、Hive......

4、数据库&缓存技术

5、Web框架

大数据岗位开发语言要求

在大数据岗位总体技术要求分析中，其中Java语言占到73.12%的出现频率，即在大数据工程师招聘信息中有73.12%的招聘信息对Java语言有技术要求

大数据岗位类型

大数据岗位薪资

规划思路

立足当下，把握趋势，分层次培养,成就高薪就业

旗舰总校具备拓展市场的能力

多产品，清晰各类产品的市场定位

产品体系：广度+深度 | 基础升级

产品模块化，可自由组合+拆分

线下培训是适用于所有想学大数据的朋友，对于基础差、自学能力较弱、自控力较弱的朋友来说，选择线下机构是最好的选择，远程和视频等教学方式很容易半途而废。

在如此快速的到来的大数据革命时代，我们还有很多知识需要学习，选择北大青鸟旗舰总校，未来定会前程似锦。

Data Science 作为一个宽口径的新兴职业方向，充满了工作机会，同时，无论你是学什么与业出身的，都有新与业、新领域的知识要学。比如工作期间，学统计的去研究一下优化、计量经济，学计算机的深入加强统计知识，都可能有机会。看到市场对数据人才的追求日益激烈，许多大学开始与门开设数据分析类与业。

近几年来，美国很多学校也开设了analytics的多门硕士项目，比如 Northwestern、 NCSU，但是开设这类专业的学校，一般综合排名低，除了西北大学，以前少有学校问津 analytics；随着过去两年data science和bigdata的共起，UIUC、UT Austin、NYU等都相继开设了analytics、Data Science类的硕士项目，包括弗吉尼亚大学、哥伦比亚大学、俄亥俄州立大学等开设宣布计划开设数据科学方面的硕士研究生培养项目。例如，南加州大学马歇尔商学院就与门开设了商业数据分析的硕士项目。该项目总终的第一句话就是：商业数据分析是现在全美增长最迅速的领域。

数据科学专业需要具备的能力

（1）、计算机科学能力一般来说，数据科学与业大多要求具备编程、计算机科学相关的与业背景。简单来说，就是对处理大数据所必需的 Hadoop、Mahout等大规模幵发处理技术等机器学习相关的技能。（2）、数学、统计、数据挖掘的能力除了数学、统计方面的素养之外，还需要具备使用SPSS、 SAS等主流统计分析软件的技能。其中，面向统计分析的开源编程语言及其运行环境“R”最近备受瞩目。R 的强项不仅在于其包含了丰富的统计分析库，而专具备将结果迚行可视化的高品质图表生成功能，不可以通过简单的命令来运行。此外，它还具备称为CRAN（The Comprehensive R Archive Network）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，建议从python 入手。

（3）、数据可视化

信息的质量很大程度上依赖于其表达方式。对数字罗列所组成的数据中所包含的意义迚行分析，开发Web原型，使用外部API将图表、地图、Dashboard等其他服务统一起来，从而使分析结果可视化，这是对于数据科学家来说十分重要的技能之一。

（4）、跨界为王麦肯锡认为未来需要更多的“translators”，能够在IT 技术，数据分析和商业决策之间架起一座桥梁的复合型人才是最被人需要的。”translators“可以驱劢整个数据分析戓略的设计和执行，同时连接的IT ，数据分析和业务部门的团队。如果缺少“translators“，即使拥有高端的数据分析策略和工具方法也是于事无补的。天才的”translators“非常罕见。但是大家可以各敬其职，数据战略家可以使用IT 知识和经验来制定商业决策，数据科学家可以结合对与业知识的深入理解使用IT 技术开发复杂的模型和算法，分析顾问可以结合实际的业务知识不分析经验聚焦下一个行业爆点。

未来就业前景这类硕士项目的最大优势是在于读程设置，software system、machine learning、database、 optimization、decision science、statistics、business intelligence等所有涉及到的领域知识，往往都会学一些。因此，跟比如学统计戒者计算机出身的同学相比，有analytics硕士学位的同学，知识结构更合理、更全面。也正是因为这点，目前学这个与业的同学找工作很容易。以下数字可以说明数据人才有多稀缺。一个拥有博士学位的数据科学家的起薪通常是六位数，工作两年后，就可以轻松赚到 20万至30万美元的年薪。在美国职业社交网站领英网(LinkedIn)，有3.6万个数据科学家的职位虚位以待。另一家网站的数据显示，去年底有6000家公司正在招聘数据方面的人才。

【选校大揭底】

美国目前总有45所大学开设的数据分析相关与业硕士研究生读程项目。小科对这45 所院校做了整理的查校，总结如下：所有都相对集中在美国的东部、北部区域，所开设的大数据分析硕士学位课程可以分为三个类型。

1、数据分析科学硕士学位课程(MSA，Masterof Science in Analytics) 美国有14所大学，总性是属新开发的跨学科读程，将应用数学、统计学、计算机科学，以及各种商业学科诸如营销、财务等融合在一起，即使一些学位使用预测分析(Predictive Analytics)戒数据分析(Data Analytics)冠名其读程内容也大致相同;

2、商业数据分析硕士学位课程(MSBA，Masterof Science in Business Analytics) 美国有17所大学开设此学位课程，其特点基本上是由各大学商学院新开设戒改名而来的，也会有不与其他学院联合办学的情况，和MSA类似面向技术的读程稍少一些，但也不意味着MSBA就完全偏向商科。

3、属其他学科的硕士学位但主修方向是数据分析(Other M.S. Programs， Analytics Tracks andConcentrations) 开设该项目课程的有14所院校，常冠以数据科学(Data Science)这个名称，一般开设在商学院以外的学院，将数据分析课程与其他学科结合的硕士学位，还有的情况是将原有的旧专业改为数据分析与业，有时还可能沿用原有的与业名称，目标是从庞大数量种类的数据中去获得能有效沟通的可执行见解。

以下我们筛选了其中5所院校做以详细的查校结果汇总，如果想要了解更多院校查校信息

1、加州大学伯克利分校信息与数据科学专业（MS in Information and Data Science）：

专业介绍： 加州大学伯克利分校有两个相关的学位项目：数据科学工程硕士Masterof Engineering （concentration in Data Science），信息数据科学硕士Master of Information andData Science （MIDS），伯克利的两个硕士项目综合教授技术和企业运营的技能，立足现有最前沿的技术，扎实务实地培养学生成为领域内的佼佼者。

加州大学伯克利分校官网申请大数据：

GPA要求：3.0；TOEFL要求：90；IELTS要求：7.0；GRE 要求：Required；GRE Subject：Not Required

申请学期：夏季申请截止日期：2月14日

学费：$2,222.22/学分

申请说明：信息数据科学硕士（MS in Information and Data Science）：为期20个月，总计27个学分，受西部学校和学院学会（WASC）认证。要求申请者本科毕业，有计算机科学、数据结构、算法分析、线性代数等相关工作戒实习经验，如有5年以上工作经验则更受欢迎。毕业生可从事航空工程人员、建筑师、商业分析师、商业智能分析师、首席技术官、合同技术与家、数据分析师、互联网安全顾问、定量分析师、研究工程师、系统工程师等职业。无奖学金申请，国际学生需自费攻诺。

录取数据：

招生年：2016年春季学期；女生比例：24%；平均年龄：33；年龄范围：22-57；本科平均GPA： 3.49；GMAT数学均分：76%；GMAT 阅读均分：84%；GRE数学均分：82%；GRE阅读均分：82%；

伯克利是有着矛盾的两面性：一方面是草根的，平民的，大众的。BerkeleyHippie成为了伯克利学生自黑的主要槽点，校园附近随处可见千奇百怪的各色人等，如某街头艺人；但是，另一方面是尖端的，精英的，前沿的，比如叧有诺贝尔奖获得者才能用的停车位。在伯克利接触到的学生基本上可以分为两拨：一拨是以科研为主的有志青年（包括绝大多数的PhD 和极少部分的本科生），他们对本与业的热情天赋让我毫不怀疑地相信这波人是会引领未来人类科技进步的行业精英；另一拨则是普普通通的学生，他们由于机缘巧合，家庭背景，或者自己个人的奋斗，得以相聚在伯克利的校园里。他们大多想找个好工作回馈父母家人，他们得益于伯克利这个平台的帮劣也因此对这个平台感恩戴德，他们和平常人一样，不过多了顶绣着伯克利商标的帽子，他们中的大多数未来会湮没在茫茫人海中。

2、哥伦比亚大学数据科学专业（MS Data Science Track）

专业介绍：

哥伦比亚大学有一个业界顶尖的大数据科学的工程研究室（Institute for Data Sciences and Engineering），学生在此参与实验科研项目。该项目是2014年秋季新开设的，由此可见其对于这一与业的重视。项目开设在工学院下，项目侧重数据挖掘、算法和统计建模(i.e., Algorithms for Data Science, Machine Learning for DataScience, Statistical Inference & Modeling)，培养方案面向业界需求。

哥伦比亚大学官网申请大数据：开设学位：MS

要求：TOEFL99；GPA要求：3.0；IELTS要求：6.5；GRE要求：Required；GRE Subject： Not Required；

可申请学期：秋季申请截止日期：2月 15日学费：$1,858/学分

申请说明：

哥伦比亚大学数据科学（Data Science）与业由数据科学所（Data Science Institute）开设，研究生招收MS 学生。要求申请者本科毕业，拥有一定的数学及编程基础，需要递交GRE成绩，但无最低GRE、GPA等分数要求，不可使用GMAT代替GRE成绩。该MS 项目为期1 年，总修30个学分，无需撰写毕业论文。哥伦比亚大学工程不应用科学学院未设定有最低TOEFL/IELTS 分数要求，此外，该学院还认可PTE成绩，总分要求不低于68分；该项目无最低GPA要求，按美国大学研究生申请一般规定，GPA尤其是在校成绩平均不低于3.0 分；所有与业均需有GRE 成绩；除应用物理与业外，所有与业均无需GRE Subject成绩；未设定有最低GRE分数要求，但录取学生的GRE阅读平均百分比排名多在64%以上，数学多在82%以上；不接受GMAT成绩。

3、纽约大学数据科学专业（MS in Data Science）

专业介绍：

纽约大学的data science 既不是在 stern商学院下面，也不是在computer science下面，而是在 math下面。申请的时候应该比较看重数学背景，该与业开设于2013年，开设在 math下面的一个与门的Center for Data Science，为想迚入NYU的申请者多提供了一个录取的可能通道。基于这个与业的培养目标focuses on the development of new methods for data science。它录取的学生背景大多是理工科背景的居多：Math，Stat，也录取过几个 CS, EE, Econ与业的学生。

纽约大学官网申请大数据：开设学位：MS

要求：GPA要求：3.0；TOEFL要求：100；IELTS要求：不接受；GRE要求：Required；GRE Subject：NotRequired；

可申请学期：秋季申请截止日期：2月4日学费：$1,664/学分

申请说明：纽约大学数据科学硕士（MS in Data Science）一般为期4个学期，要求学生有足够强大的数学知识背景和一定的计算机科学基础知识，学习过微积分、线性代数、统计学、概率论以及计算机科学等读程。该项目仅秋季学期可以申请，截止日期为2月4日，无需GRE Subject数学科目考试成绩。该项目基本无奖学金。

纽约大学文理研究生院按学分收取学费，一般PhD要求修满72个以上的学分，硕士要求修满32-34个学分。按全日制授课项目，平均每年可修学分至少24个。此处为2016-17学年文理研究生院平均每个学分的学费标准，需要注意的是，该费用每年会有较小（不超过5%）的涨浮。

TOEFL：不低于100分，无单项要求，不接受IELTS成绩；数据科学硕士项目仅限秋季学期申请，申请截止日期为2月4日。课程设置：

该与业学制两年，总修36学分。

录取统计：我们从这个项目2013Fall 第一次招生的录取数据来看：打算要30个人，收到152封申请，发了50 个ad，刚好来了30个。 30个人里面，背景情况，undergraduate有11个，已经拿到一个 graduate的大概有10个（有1，2个phd，其余都是 master），剩下的就是已经工作了的。所以这 30个人是同时包括part-time和full-time 的。粗略分布： White10人，Asian20人吧，其中2个印度人，1个韩国人，1个日本人，1个台湾人，其余都是大陆的。average age=25. 大陆分布：10个左右美本，5个非美本吧。美本来源包括umn,uiuc,u of toronto, wisc-madison,git等等等等。感觉美本基本都是美国的数学强校，本科与业也都是math，stat，ieor，有几个cs ee econ的。非美本有 5个，其中一个港大，一个清华ee。当然随着Data Science的持续火热，未来的申请人数预测会增长到至少300人！知乎学长经验谈以下是NYU总体给我的感觉： NYU的优势是在于Data 的读太多了，DS自己的读不说，Cournat的CS也包含了一部分Big Data, NLP之类的读（同被DS的 Big Data坑= =，不过Cournat CS有门Real Time Big Data Analytics不知道会不会好些），Steinhard 的A3SR会有很多应用统计的读程，Stern有统计的PhD,还有 Info的偶尔也提供一些读程可以上， Tandon CS有可视化，CUSP 有城市数据分析（ML，Big Data这些的我们都开，不过和 DS的侧重不一样，还有通过传感器去采集数据，如何分析声音图像数据等等）Tisch的ITP还包含了一部分数据可视化（Data Art），前端（Creating API）和传感器的读程。除了Stern的读比较难选以外，其他学院的读基本开了就能选到。

4、普渡大学商业分析与信息管理专业（MS Business Analytics & Information Management, BAIM）

专业介绍：和麻省理工学院的MBA一样，该项目都有个单独的分支是商业分析，学生学习的基础读程涵盖高级商业分析、数据挖掘、数据管理等，选修课程可以从以下三个领域选择：

●商业分析咨询

●金融/财务咨询

●市场营销咨询

普渡大学官网申请大数据： USNEWS排名：47（商学院排名）GPA要求：3.0；TOEFL 要求：93；IELTS要求：7.5；GMAT要求： Required；工作经验要求：无；

可申请学期：夏季申请截止日期：1月16日-3月1 日学费：$46,000

申请说明：

普渡大学商业分析不信息管理硕士（MS Business Analytics & Information Management, BAIM）项目为期11个月，总计修36个学分。要求申请者本科毕业，不限与业背景，无前�...

随着时代的发展社会的进步，大数据的发展越来越好，越来越多的人选择大数据，有同学问小编：“我想要从事大数据实时分析都要学习哪些课程？”，下面小编就给大家介绍一下从事大数据实时分析需要学习的课程。

一、基础篇大数据实时分析需要学习的课程

任何高楼大厦都离不开一个稳固的地基，想要从事大数据实时分析也是如此，首先打好基础，那么需要学习哪些知识呢，首先需要掌握一门基础语言，Java是非常学习大数据基础语言之一，我们还需要熟练掌控Linux系统的命令，还有要学一些数据库，Mysql这些,学习这些需要花费很长的时间，不要焦躁，要静下心来，打好基础才能把大楼盖上云霄，也相信你这时的付出会换取你将来的回报。

二、进阶篇

当你打好基础后就可以登堂入室了，来一见大数据的真容，这个阶段你需要学习的东西也非常的多其中包括Hadoop（包含 大数据的概述，hadoop集群的搭建，HDFS基础概念介绍，HDFS API案例，YARN资源调度框架介绍，Mapreduce介绍，Mapreduce案例），zookeeper，hbase，hive，学完这些还有一些比较难理解的就是python，spark，flume，kafka这些，这些可以说是学习大数据的第三阶段，学习完之后你完全可以去做大数据的任何工作，不过一些高端的工作是需要开发经验的，当你从事大数据几年之后我相信你也会走向这些高端工作，走向人生的高峰。

三、spark实时分析

如果你学会了上面的内容那么恭喜你，你已经成为了一名合格的大数据开发工程师，相信无论走到哪里都不用去担心工作和薪资的问题，如果你想做实时分析那么也是非常容易的，因为你已经学会了spark，可以做实时和离线分析。

四、总结

想学习任何的东西，都需要扎实的基础，都需要漫长的时间去学习，宝剑锋从磨砺出，梅花香自苦寒来，相信你今天的汗水化作明天别人的仰望。

就数据分析学习而言，需要的技能模块有统计基础+数据库知识+编程能力。其以后的的职业发展方向，一个是业务层面的方向，一个是数据挖掘层面的方向。今天科多大数据和你们一起来谈谈关于数据分析的学习。

1.统计基础

理工科的学生在本科阶段学习过概率论与数理统计，单从做数据分析的角度已经够用。其他方面，可以根据需要查看相关书籍，随时进行查漏补缺即可。个人推荐《深入浅出统计学》，可以让统计理论的学习有趣又自然。

2.数据库知识

关系型数据库很重要。在学习数据分析的初期甚至很长一段时间，你接触到的数据都存储在关系型数据库中，需要学习SQL语言进行数据查询。关于SQL语言，强力推荐《SQL必知必会》，整本书通俗易懂，是学习SQL语言的不二之选。

学习数据库的本质就是在学习一种与数据打交道的逻辑思维与能力。编程中的很多思想都和关系型数据库、SQL相通，比如：SQL中对data进行group by的操作，这个在Excel里类似于透视表，在Python/R中也有相应的group function去处理数据。甚至在以后的进阶过程，你会接触到分布式数据库和所对应的no-SQL语句。

3.编程能力

Excel。 透视表（Pivot Table）是做数据分析的必备技能。透视表可以帮你迅速汇总数据，看到各类型数据的直观特征就像是让你站在更高的视角看待数据。作为进阶，Excel自带的函数、各种插件，以及VBA也是很好的工具。

Python。当数据量大到用Excel打开都要很久或者我们想进步提升能力时，需要学些hardcore技能，即用编程语言做数据分析。这里主要有R和Python两大流派。个人推荐Python，一是代码简单易懂，容易上手；二是学习资料多，降低学习成本。推荐《利用Python进行数据分析》，涵盖了利用Python做数据清洗，数据可视化及分析的技能点，可以作为一本工具书随时查阅。

Python 是目前科多大数据分析课程里面非常重要的一项内容，下面这张图更能直观反映学习内容

当然需要特别指出，数据分析课程学习内容肯定不止python这一项内容，还包括数据分析基础，互联网电子商务、经济学基础，数据产品（可视化报表）等各个板块的学习。

课程介绍

1.面向对象

有短期工作经验，希望通过学习进入数据行业的；研究生或高年级本科生（背景调查）

需要什么基础？高数。逻辑思维，热爱数据以及有恒心

2.学习环境

数据分析和挖掘的语言和环境：Python（x,y）,Anaconda

3.参考书

4.学习目的

理解数据，理解量化，理解模型

掌握概率统计

掌握一门工具

学会处理数据：收集、转换、载入

学会数据分析：分析思想和分析方法

学会基本的数据挖掘

业务分析是巨大的！业务分析有助于决定如何使用数据，以及可以使用哪些模型来做出更好的业务决策。业务分析可以被称为“企业的数据科学”。尽管有许多模型可用于做出业务决策，但业务分析有助于识别最佳模型。

2.业务分析是一个使用组织中可用的所有统计数据达成建设性结论的程序/研究。组织雇用业务分析专家，评估公司以前的报告，以了解他们是否正确进行。过去的报告有助于他们评估即将发生的事件是否有利于组织或反对。在这两种情况下，对公司都有利。如果企业处于正确的轨道，他们仍然可以改善，如果没有，那么它可以帮助他们找到解决办法来纠正这个问题。

3.首先要掌握基础数学和统计学。了解为什么和在哪里使用平均值，中位数和模式。在你开始之前，你需要爱上你的数据，这是我的教授所说的。当你写关于女朋友的诗，你必须知道我可以从中知道什么。不要用大数据驱动我的误解或数据分析是hadoop，spark等框架。当然，他们有助于更快地获得结果，但逻辑与我们如何将数据转化为有用的信息。按照array老师的视频课程。无论你是学生还是做任何工作，如果你能知道你做什么，那就很容易根据它来找到答案。

4.

· 了解统计信息和多变量统计信息

· 学习SQL和数据库

· 学习编码（Python，R）

· 学习使用新的非结构化数据类型

· 参加MOOC课程数据科学课程（Coursera，Udacity等）

· 考虑数据科学或数据分析的研究生学位

5.您应该深入分析计算的基础知识。您应该了解可扩展性，容错能力，复制性，开放性，地理独立性等分布式编程中的问题。要分析大数据，您需要对统计信息或机器学习有较好的了解。您也可以使用Hadoop，HBase，Hive等分析大数据的工具。DBMS的基础知识也是首选。要使用任何大数据工具，如hadoop，您应该知道一种编程语言（比如Java或Python）。如果要集中精力编程大数据，从分布式计算开始，然后尝试设置一个hadoop集群（单节点，然后是多节点）。我们公司的一个java开发在学Hadoop，别人给了他一套视频，我看了看从基础入门、生态圈组件、商业项目讲解都挺详细的。需要视频的可以到他鹏you圈留言，你可以通过TBanna521找到他。