大家好，关于为什么不建议学数据科学与大数据很多朋友都还不太明白，今天小编就来为大家分享关于为什么不建议做数据的知识，希望对各位有所帮助！
本文目录
大数据适合普通人学吗
不太适合
大数据还是比较难学的
需要理科比较好，而且逻辑能力和英语也都不错，所以零基础学起来会比较有难度。但是努力学习的话也还是能够学会的。
大数据主要学java、python语言和Linux，Hadoop，Scala,HBase,Hive,Spark等。
大数据有什么缺陷
即时获取实时数据可能看起来像是一个理想的场景，但具有优势，也有缺点。
在这个数据爆炸时代，组织正在以越来越多的速度收集和存储数据。但是，只需为您的组织收集数据就没有任何商业价值。这种大数据的实时分析和可视化将大量数据转化为有价值的统计数据。虽然这种实时洞察可以对您的组织有很大的价值，但它既有利弊。
什么是大数据，以及与实时大数据分析有何不同？
在进一步研究之前，我们来讨论大数据-究竟是什么？传统上，数据被储存得更加容易，因为数量少得多。当需要以更大的数量存储数据集时，大数据就会存在。它不仅是数据或数据集，而且是工具，技术，方法和框架的组合。
大量数据可能来自几乎任何产生数据的内容，包括搜索引擎和社交媒体，以及一些不太明显的来源，如电网和交通基础设施。这些数据可以分为三种类型：结构化，半结构化和非结构化。
通常以预定的间隔收集和分析大数据。然而，通过实时大数据分析，收集和分析是连续的，为企业提供最新的洞察力。（有关大数据分析的更多信息，请参阅大数据分析如何优化IT性能。）
Hadoop是用于分析大数据的最有名的工具，但它不适合处理实时大数据分析。一些实时大数据工具包括：
风暴-这是一种实时分布式计算系统，可与任何编程语言一起工作，并且可扩展。它目前由Twitter拥有。
GridGain-这是一个企业开源网格计算工具。它与HadoopDFS兼容，它可以替代Hadoop的MapReduce。
优点
现在我们来讨论实时大数据分析的一些优势。
快速识别错误-让我们假设发生错误，需要尽快解决。通过实时大数据分析，可立即识别此错误并快速修复。这可以帮助防止更多的和/或更严重的故障。从长远来看，这也有助于企业的声誉-快速的错误更正可以帮助获得更多的客户。
储蓄-尽管实时大数据分析的实施可能是昂贵的，但立即数据分析的高价值可以弥补这一支出。
逐步服务-通过大数据分析监控产品和服务可能会为客户带来更高的转化率，从而可能导致更高的利润。可以通过分析轻松预测即将发生的错误和问题，这也有助于更多地关注客户需求。
实时欺诈检测-管理系统和服务器安全性的团队可以快速，轻松地通知欺诈，一旦发现欺诈，就可以实时采取措施。（要了解有关欺诈检测的更多信息，请参阅下一代欺诈检测中的机器学习和Hadoop。）
对竞争对手的策略-竞争对手今天在市场上屡屡受挫，大数据分析可帮助您提供竞争对手的详细图片，例如推出新产品，降低/提高特定时间的价格或专注于特定地点的用户。
洞察-销售洞察对于了解销售的地位至关重要。这些见解可能导致额外的收入，例如长期不会失去客户，检查跳出率，并通过分析实时大数据分析找到最佳的销售增长方式。
趋势-通过分析客户趋势的决策可以通过实时大数据分析完成。这可能包括产品，广告，客户需求，特定季节可用的优惠等。因此，它也可以改善长期的决定。
缺点现在我们来看看这些缺点。
Hadoop不兼容-如前所述，Hadoop是最广泛使用的大数据分析工具，目前不能处理实时数据。因此，需要一些其他工具，期望在未来Hadoop将为实时方法添加功能。
需要新的方法-有些组织习惯每周接受一次洞察。然而，随着实时大数据的不断流入，需要一种完全不同的方法。这可能是一些组织的挑战，可能会导致一些决策和计划的重塑。
可能的失败-一些组织可能会将实时大数据分析视为一个闪亮的新玩具，并希望立即实施。但是，如果不能正确实施，可能会导致许多问题。如果一个企业不是以这么快的速度来处理数据，那可能会导致不正确的分析，这可能会给组织带来更大的问题。
结论
实时大数据分析对于企业来说可能是非常重要的，但企业必须先确定其优势是否超过其特定情况下的利益，如果是这样，那么这些缺点将如何克服。这仍然是一项相对较新的技术，因此预计未来会发展，希望能够解决当前的一些挑战。
数据统计优缺点
数据统计的优点：
1、耗时少：因为是次要数据，所以通常比较便宜，而且耗时较少，因为是别人编译的。
2、模式和相关性清晰可见：统计数据是已经分析过的数据，因此模式和相关性已经完成并且清晰可见。3、取自大样本，泛化性高：统计数据是从非常大的数据样本中收集的数据。这意味着泛化程度更高。
4、可以使用和重复使用来检查不同的变量：统计数据是可以使用和重复使用的数据。它不需要使用一次，因为可以使用相同的数据做出不同的决定。
5、可模仿：可模仿统计数据检查变化，增加数据的可靠性和代表性。6、快速：与其他形式的数据相比，统计数据是可以相对快速和轻松地进行分析的数据。
7、标准化：以标准化的方式收集统计信息，赋予数据意义。
8、直截了当：统计数据通常易于分析。它是已经合成的数据，因此只需要很少的分析。
9、可靠：机构内外的决策者(例如资助者、政府)经常要求并尊重它们。这使它们可靠和准确。
10、质量数据：它们支持从问卷、访谈等获得的具有“确凿事实”的定性数据。
11、基准测试：统计数据对于基准测试很有用。它们可用于在组织或项目中进行比较并设定新的标准和目标。
数据统计的缺点：
1、未验证：研究人员无法检查有效性，也无法找到因果理论的机制，只能从数据中绘制模式和相关性。这意味着研究人员在验证数据的有效性和真实性方面的选择有限。
2、容易被误解：统计数据通常是次要数据，这意味着它很容易被误解。这使研究人员容易受到信息失真的影响，而无法进行确认。
3、它可以被操纵：统计数据很容易被滥用，它可以被操纵和措辞以表明研究人员想要表明的观点。这使得数据缺乏客观性，并且在本质上更加主观。
4、因为这通常是次要数据，所以很难访问和检查：统计数据大多是只能访问的次要数据。由于数据的主要来源不可用，因此可能很难检查和验证数据。
5、不合适：统计数据不是深入了解问题并找出解决突出问题的方法的合适方法。这是因为数据是由独立研究人员从主要来源收集的。
6、评价不理想：不适合评价用户的意见、需求或对服务的满意度，因为它们是主观的。研究人员不能依靠统计来衡量客户的幸福感或满意度。
7、费时：安排数据收集方法(例如联系供应商、与IT部门联络)可能会很费时间。这是因为初级研究中使用的数据收集方法取决于研究人员的主观视角。
8、绩效管理：统计数据不能用来衡量组织的绩效管理，因为它已经过时了。
9、决策：虽然统计数据可用于进行未来的推论，但不能依赖于在组织环境中做出决策。
10、比较：统计数据不能用于与当前数据或未来数据进行比较，因为可能不知道数据收集和数据分析的方法
为什么不建议学数据科学与大数据
主要是因为，一是数据科学与大数据对人的理科逻辑推理能力要求比较高。
二是学习这个专业要投入非常大的精力，有时还让你非常烦躁的
好了，文章到此结束，希望可以帮助到大家。