學習大資料之前建議獻血好計算機基礎知識，否則如同聚沙成塔一般根基不穩。

具體到大資料本身，建議先掌握一些基本的工具，例如hive，Hadoop，hbase，es等，先做一些簡單的資料分析。

個人學習經驗，如果是我會先選擇找一本入門的大資料相關的書籍，通讀一遍，建立對大資料的一個概念。然後可以到b站或者慕課網等學習網站找影片資源，這類影片也有深有淺，看自己當時的情況有選擇的看。最後，你想要更近一步的探究大資料，就應該找更專業的書籍或論文去研讀，這一類論文可以到知網或者谷歌文獻去找。

一、如何將商業運營問題轉化為大資料探勘問題

那麼，問題來了，我們該如何把上述的商業運營問題轉化為資料探勘問題?可以對資料探勘問題進行細分，分為四類問題：分類問題、聚類問題、關聯問題、預測問題。

1、分類問題

使用者流失率、促銷活動響應、評估使用者度都屬於資料探勘的分類問題，我們需要掌握分類的特點，知道什麼是有監督學習，掌握常見的分類方法:決策樹、貝葉斯、KNN、支援向量機、神經網路和邏輯迴歸等。

2、聚類問題

細分市場、細分客戶群體都屬於資料探勘的聚類問題，我們要掌握聚類特點，知道無監督學習，瞭解常見的聚類演算法，例如劃分聚類、層次聚類、密度聚類、網格聚類、基於模型聚類等。

3、關聯問題

交叉銷售問題等屬於關聯問題，關聯分析也叫購物籃分析，我們要掌握常見的關聯分析演算法：Aprior演算法、Carma演算法，序列演算法等。

4、預測問題

我們要掌握簡單線性迴歸分析、多重線性迴歸分析、時間序列等。

二、用何種工具實操大資料探勘

能實現資料探勘的工具和途徑實在太多，SPSS、SAS、Python、R等等都可以，但是我們需要掌握哪個或者說要掌握哪幾個，才算學會了資料探勘?這需要看你所處的層次和想要進階的路徑是怎樣的。

第一層級：達到理解入門層次

瞭解統計學和資料庫即可。

第二層級：達到初級職場應用層次

資料庫+統計學+SPSS(也可以是SPSS代替軟體)

第三層級：達到中級職場應用層次

SAS或R

第四層級：達到資料探勘師層次

SAS或R+Python(或其他程式語言)

三、如何利用Python學習大資料探勘

只要能解決實際問題，用什麼工具來學習資料探勘都是無所謂，這裡首推Python。那該如何利用Python來學習資料探勘?需要掌握Python中的哪些知識?

1、Pandas庫的操作

Panda是資料分析特別重要的一個庫，我們要掌握以下三點：

pandas 分組計算;

pandas 索引與多重索引;

索引比較難，但是卻是非常重要的

pandas 多表操作與資料透視表

2、numpy數值計算

numpy資料計算主要應用是在資料探勘，對於以後的機器學習，深度學習，這也是一個必須掌握的庫，我們要掌握以下內容：

Numpy array理解;

陣列索引操作;

陣列計算;

Broadcasting(線性代數里面的知識)

3、資料視覺化-matplotlib與seaborn

Matplotib語法

python最基本的視覺化工具就是matplotlib。咋一看Matplotlib與matlib有點像，要搞清楚二者的關係是什麼，這樣學習起來才會比較輕鬆。

seaborn的使用

seaborn是一個非常漂亮的視覺化工具。

pandas繪圖功能

前面說過pandas是做資料分析的，但它也提供了一些繪圖的API。

4、資料探勘入門

這部分是最難也是最有意思的一部分，要掌握以下幾個部分：

機器學習的定義

在這裡跟資料探勘先不做區別

代價函式的定義

Train/Test/Validate

Overfitting的定義與避免方法

5、資料探勘演算法

資料探勘發展到現在，演算法已經非常多，下面只需掌握最簡單的，最核心的，最常用的演算法：

最小二乘演算法;

梯度下降;

向量化;

極大似然估計;

Logistic Regression;

Decision Tree;

RandomForesr;

XGBoost;

6、資料探勘實戰

透過機器學習裡面最著名的庫scikit-learn來進行模型的理解。

以上，就是為大家理清的大資料探勘學習思路邏輯。可是，這還僅僅是開始，在通往資料探勘師與資料科學家路上，還要學習文字處理與自然語言知識、Linux與Spark的知識、深度學習知識等等，我們要保持持續的興趣來學習資料探勘。