一、首先，介紹一下大資料專業：大資料技術專業屬於交叉學科：以統計學、數學、計算機為三大支撐性學科；此外還需學習資料採集、分析、處理軟體，學習數學建模軟體及計算機程式語言等，知識結構是多能複合的跨界人才。大資料是一個新的專業，國內首次出現這個專業是在2016年的時候，當時新設這個專業的高校全國只有3所，其中就有北京大學。

其次，介紹大資料的就業前景：

1、大資料系統架構師

大資料平臺搭建、系統設計、基礎設施。

技能：計算機體系結構、網路架構、程式設計正規化、檔案系統、分佈並行處理等。

2、大資料系統分析師

面向實際行業領域，利用大資料技術進行資料安全生命週期管理、分析和應用。

技能：人工智慧、機器學習、數理統計、矩陣計算、優化方法。

3、hadoop開發工程師。

解決大資料儲存問題。

4、資料分析師

不同行業中，專門從事行業資料蒐集、整理、分析，並依據資料做出行業研究、評估和預測的專業人員。在工作中通過運用工具，提取、分析、呈現資料，實現資料的商業意義。

5、資料探勘工程師

做資料探勘要從海量資料中發現規律，這就需要一定的數學知識，最基本的比如線性代數、高等代數、凸優化、概率論等。經常會用到的語言包括Python、Java、C或者C++，我自己用Python或者Java比較多。有時用MapReduce寫程式，再用Hadoop或者Hyp來處理資料，如果用Python的話會和Spark相結合。

二、首先介紹一下人工智慧專業：人工智慧屬於自然科學和社會科學的交叉性學科，它與電腦科學、資訊學、數學、神經生理學、認知科學、心理學等眾多學科有極強的關聯性。目前，人工智慧在計算機領域內得到了廣泛的重視，並在機器人，經濟政治決策，控制系統，模擬系統等方面得到應用。

其次人工智慧專業的主要領域是：機器學習 人工智慧導論（搜尋法等） 影象識別 生物演化論 自然語言處理 語義網 博弈論等。 需要的前置課程主要有，訊號處理，線性代數，微積分，還有程式設計。

學人工智慧專業需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。還要有演算法的積累：人工神經網路，支援向量機，遺傳演算法等等演算法；當然還有各個領域需要的演算法，比如你要讓機器人自己在位置環境導航和建圖就需要研究SLAM；總之演算法很多需要時間的積累； 還需要掌握至少一門程式語言，演算法的實現是要程式設計的；深入到硬體，要掌握一些電類基礎課程。

再次人工智慧是一個需要讀研的專業，本科只是一些基礎理論，想有一個更好的前景，一定要讀研究生的。本科院校人工智慧非常好的大學，例如北京大學、清華大學、中國科學研究院、浙大、哈工大、復旦、還有西安電子科技大學等。

最後介紹一下人工智慧專業的就業前景：人工智慧人才目前處於明顯短缺狀態，這種狀況還存在擴大的趨勢。當前社會技術環境下，需要兼顧紮實的專業技術和複合型背景的人才。在網際網路企業中，人工智慧的薪酬排在第三位，其中薪酬最高的是聲音識別方向的從業者。有獵頭透露，去年人工智慧領域碩士應屆生的年薪是30萬元左右，博士生年薪50萬元，今年博士生漲到80萬元完全有可能。

我個人認為如果高考報考想報人工智慧專業，以後想從事相關的工作，電腦科學、數學、統計學、光電物理、自動化、電子科學類等本科專業，更容易與人工智慧領域產生交集。

以上分析是讀大資料專業還是人工智慧專業，還是你個人的選擇。

這個就像問蘋果好吃還是橘子好吃一樣，不可以比較的，他們兩個是不同的概念。

首先還是要看你到底對哪個感興趣

如果真的想學的話可以看看一些機構的試聽課程

比如尚學堂的試聽課程，我之前也是不知道選哪個，看了試聽課程後選了大資料

你也可以去看看

這兩個行業就是人民幣燃燒機，玩概念三年必死，做東西沒大公司支援也不會有價值。這兩個是忽悠成分遠大於實用。不用分析什麼趨勢背景，看清楚你錢包就夠了

把大資料跟人工智慧結合起來，豈不是更加符合時代特點，就是一個地道有著特別意義的思考。如果說還是一家的意義所在，不能夠和其他的物聯網相結合，那發明出來的人工智慧就不能達到與大資料的結合運用，這實際上是比較可惜的，片面的大資料或者人工智慧是沒有多大意義的。也是各個時髦的東西不願看到的，沒有時代特色和時代意義的東西是得不到多少人的支援的。要想達到目的，必須是一個大資料要麼結合網際網路，要麼結合人工智慧才似乎有意義存在，那種不講結合，企圖單個的存在下去，是一個非常落後保守的想法，這個時代，只有講究結合，才有實際的存在價值，也才不至於受到物聯網的挑戰，省得又去做重複的思考與佈局。

從技術的角度講，人工智慧和大資料兩者密不可分，人工智慧基本都是基於大資料，利用機器學習演算法挖掘資料蘊含的規律，從而進行分類，預測，聚類，關聯等，所以後者是前者的基礎，前者是後者的應用。

在技術棧上，大資料可能稍偏底層，它包括資料採集，儲存，資料清洗，資料的快速運算等，常見的技術棧包括用於資料採集的kafka，flume，資料儲存hadoop，hdfs，資料計算儲存spark，hive等，用於排程管理的zookeeper等。

而人工智慧多偏向在應用層，即通過演算法挖掘大資料背後的規律，常見的包括監督學習和非監督學習，前者主要有分類，迴歸等，後者主要有聚類等演算法，當然還有一部分強化學習和深度學習的內容，這裡就不展開細說了，感興趣的小夥伴可以交流！

大資料是用來歸集，清洗，資料集中化儲存的基礎，可以進行資料分析，呈現，提供相應的決策資訊，人工智慧是基於大資料去學習，不斷成長，大資料儲存分析後得到結果，由人工智慧去學習，去通過結果進行預測或者提供解決這個結果的多種合理方式。

粗略的講，人工智慧的基礎就是大資料技術，沒有足夠多的資料樣本就沒辦法訓練出可用的結果。人工智慧改變了大資料分析中的專家系統或者模型經驗庫，通過智慧學習演算法提升分析結果的可用性和降低成本。

這個怎麼講呢，這個就像問蘋果好吃還是橘子好吃一樣，不可以比較的，他們兩個是不同的概念，人工智慧需要大資料的支撐才能實現它對智慧的需求，而大資料就需要非常龐大的一個數據流量進行整理綜合比較，對於大資料的收集又與人工智慧分離不開，這兩個根本不在一個平行線上，沒有可比較的點，換個方面來說，大資料和人工智慧，合則兩利分則兩弊！――喜歡這方面的可以新增關注與我進行討論，互相成長

大資料與人工智慧相輔相成，現在的APP基本上都是需要大資料和人工智慧作為支撐，分析使用者的愛好，拿現在大火的短視訊APP來說，點贊關注的都是歷史類的小視訊，今後系統就會給你推送歷史類的小視訊較多，點贊關注寵物類的小視訊系統，系統就會給你推薦寵物類的小視訊，在使用購物軟體時也會發現搜尋過燈具，主介面推薦的都是關於燈具的連結，所以說大資料與人工智慧相輔相成，沒有好不好的說法。

這個問題很籠統了。你是想從事這兩個行業還是什麼呢？人工智慧需要大資料支撐，大資料側重資料的收集與分析，人工智慧則是在這個基礎上讓機器學習，側重應用。