是不是和码农一样会秃头爆加班(家里经济还可以 不那么缺钱不希望特别苦
本公司目前在招聘一些数据分析师,我们欢迎所有对数据分析有兴趣的人来试试,如果你具备这样的素质(可培养),这里有你的舞台,有意者欢迎投递简历或者联系我们!
大数据时代的来临,使得大数据相关岗位也变得火爆起来。许多想要学习大数据并今后投身于此的伙伴,在羡慕这一行广阔发展前景和高额薪资待遇的同时,难免也会担心这样的问题:这一行加班多吗?工作强度大不大?其实我们都明白高薪的工作肯定不轻松的道理,但是这一行的工作强度,也远远没有大家想像的没那么大。而且不同的公司,加班的强度也是不一样的,因此不能一概而论。
首先,在任何行业,工作的感觉取决于你的付出和回报之间的平衡度。如果说你能够在这个岗位上,得到自己满意的回报,那么工作再辛苦,你也会乐在其中,甘之如饴。就拿大数据来讲,它的发展前景和工资待遇绝对是高于其他普通行业的。因此大家不能想著要轻松又高薪的工作,这无疑是在做天上掉馅饼的美梦,是不切实际的。因此首先不管大数据相关岗位工作强度如何,工作的心态一定要摆正。
要想知道大数据相关岗位的加班情况,我们可以来了解下大数据的日常工作内容:负责公司大数据产品/项目的后台研发;参与大数据相关的演算法和模型分析实现;负责技术预研,产品设计以及文档编写等工作;参与大数据的数据治理和数据处理相关java开发工作;参与海量数据处理,业务数据体系的设计、数据统计、分析及数据建模等等。
看上去负责的内容不少,但是工作强度也是需要结合个人能力来说的。关于加班的问题,只能说,这也是看个人能力来的。你的工作能力够强,能够在规定时间内完成工作,自然就不需要加班。如果说你的专业技能不够,导致无法按时完成工作,加班也是没办法的事情是不是?这个行业本身是比较常规的工作量,所以也不会存在经常加班的情况。
综上所述,世上不存在轻松又高薪的工作,大数据的岗位也是如此,能力和回报越大责任也越大。当然,如果是天天加班这样的工作强度,也是人所不能承受的,因此大家完全可以放心,就是正常的技术岗位工作强度。如果大家仅仅是抱著找一个朝九晚六,轻轻松松上五天班这样的想法,那只能说技术岗位可能不太适合你了。
每天咨询的童鞋太多,可能来不及一一回复大家,有问题的童鞋可以私信我或者加助理V,我看到了就会帮你解答的。
大数据从实际工作来说,还是要分方向,走技术路线的大数据开发方向,走业务路线的大数据分析挖掘方向,两个方向的工作还是有差别的,成长前景和发展路径也不一样。
大数据开发方向,基本成长路线:
大数据开发工程师→大数据高级工程师→大数据架构师→大数据研发总监
对于做技术开发方向的岗位,就是程序员,工作就是编程多一些,加班的话,主要看行业看公司。
大数据分析路线,基本成长路线:
数据分析师→数据挖掘工程师/演算法工程师→数据科学家
走这个路线的话,对编程的要求就要稍低一些了,对于数理统计各种理论、演算法的运用更多,工作压力不算大,喜欢这一行的话,坐起来会很有成就感。
这个专业比码农略好一点,但是也不轻松
随著大数据热潮的兴起,越来越多的人群想要进入大数据行业,尤其是对于没有技术功底的人群来说,一般会考虑报一些大数据培训班来进行系统的学习,一段时间之后就忍不住吐槽,学大数据学得想哭。事实上,任何一门新技能的习得,肯定是需要付出努力的,尤其是在基础薄弱的情况下,学习难度可想而知。
然而近来也会有这样一种声音在网上:大数据太难学了,学大数据学得想哭。其实学习本来就没那么简单,但是如果努力了还学不好大数据,就应该好好反思自己的学习方法是不是出了问题。下面小编就带大家看看,大数据真有这么难学吗?
为什么觉得大数据难学?
不可否认确实有一些人学大数据纯粹是兴趣使然,但是大多数人都是冲著大数据行业高薪资好前景去的。因此学习的出发点可能就过于功利和急于求成,当然不是说不能因为这个去学习,而是绝大多数人只是一时的头脑发热,并没有考虑清楚怎样去学习,也并没有付出多少努力。最后浪费了不少时间,甚至还有的人报了培训班浪费了不少钱,后悔莫及地大呼:学大数据学得想哭!大数据真难学!大数据真有这么难学吗?还是你根本就没有下定决心努力去学习呢?希望大家在觉得学习很难的时候,问一问自己到底为此付出了多少努力,如果使用时是因为没有花费多少心血而没学好,那就没什么好抱怨的了。
这个时候,作为初学者,我们需要的就是摆正心态。大数据兴起的时间不长,但是热度空前,长远来看,大数据这门技能是值得花时间去学习和掌握的。在学习大数据之前,不妨先冷静下来问问自己,对于大数据行业是否真的有足够的兴趣,能否静下心来钻研学习。
在决定学习大数据之后,对大数据课程相对驳杂的知识体系,要做好心理准备。以学习大数据开发来说,不要将大数据开发看做一门与java、python等相似的IT语言,事实上,大数据更像是一门技术,其中包含的内容相对比较多。
正式开始大数据学习之前,做一些前期的准备,先购买一些相关的书籍,从网上找一些相关的资料去,详细了解究竟什么是大数据开发,然后根据自己的实际情况确定是自学,还是参加大数据培训班来学习。
前期的准备,要做到对于大数据的一些基本概念以及知识,有一定的了解。从java、linux、hadoop、hive、oozie、web、flume再到python、hbase、kafka、scala、spark,了解这些和大数据紧密相关的技术知识,对于后期的正式学习都是有好处的。
另外,网上各种交流学习的社群,也可以加入其中,和同样对大数据感兴趣的志同道合之士一起交流,一起学习,也能互相督促,大家一起学习进步。有条件的话,可以结识一些前辈老师或者行业大牛,这对于大数据学习以及以后的职业生涯也是有帮助的。
当你真正了解大数据这个行业的时候,才能更多的去理解并知道大数据的价值以及前景,也能更加坚定克服困难。也许真的学大数据学得想哭,但是依然想要深入其中,这就是大数据的魅力。任何一门新技能的学习,都是需要付出时间和精力的,作为新兴热门的大数据行业更是如此。
另一种情况是努力了,但是还是学不好大数据,这种很明显是学习方法不科学。不少自学大数据的小伙伴都有这样的经历,一开始什么都不懂,然后在百度到处搜索学习教程,缓存了各种各样的免费视频资料,今天看这个老师的,明天看那个老师的,最后好像什么都懂,但是又好像什么都弄不清楚。这就是因为没有老师的指导,又缺乏学习的具体规划,没有系统全面的掌握知识,盲目的学习导致努力的方向根本就错了。因此其强烈建议那些本来就缺乏基础以及自律能力差的小伙伴,学习大数据一定要报培训班,只用花些钱就可以少许多弯路。
大数据需要学什么?
这里你可以参考《大数据分析培训课程内容》和《大数据分析培训课程大纲》
Hadoop:(common、HDFS、MapReduce、YARN)重点中的重点。Hadoop的框架最核心的设计就是:HDFS 和 MapReduce,Hadoop的思想:处理数据的思想。Hadoop用Java编写的开源软体框架,用于分散式存储,并对非常大的数据集进行分散式处理,用户可以在不了解分散式底层细节的情况下,开发分散式程序,充分利用集群进行高速运算和存储。
HDFS:Hadoop实现了一个分散式文件系统(Hadoop Distributed File System),简称HDFS。HDFS为海量的数据提供了存储,MapReduce则为海量的数据提供了计算。
NameNode:NameNode是一个通常在HDFS实例中的单独机器上运行的软体,它负责管理文件系统名称空间和控制外部客户机的访问。NameNode 决定是否将文件映射到
DataNode:DataNode也是一个通常在HDFS实例中的单独机器上运行的软体。Hadoop 集群包含一个 NameNode 和大量 DataNode。DataNode 通常以机架的形式组织,机架通过一个交换机将所有系统连接起来。Hadoop 的一个假设是:机架内部节点之间的传输速度快于机架间节点的传输速度。
MapReduce:MapReduce是一种编程模型,用于大规模数据集(大于1TB)的并行运算
Hive(MPP架构):大数据数据仓库,通过写SQL对数据进行操作,类似于mysql资料库中的sql。
HBase基于HDFS的NOSQL资料库,面向列的存储。
Flume是Cloudera提供的一个高可用的,高可靠的,分散式的海量日志采集、聚合和传输的系统。
大数据学习路线规划:
以AAA教育的大数据分析课程为例,课程学习分成七个阶段,从零基础入门到能力进阶提升,循序渐进,即使是大数据小白也可以学好大数据后马上就业。
阶段一 大数据基础增强
本阶段重点讲解 Linux 操作基础、 Shell 编程、 Zookeeper 集群和 hadoop 集群环境准备等内容,可以帮助没有 Linux 基础 或者 Linux 基础薄弱的学员, 达到熟练使用
Linux、熟练安装 Linux 上的软体,熟悉负载均衡、高可靠等集群相关概念,搭建互联网高并发、高可靠的服务架构, 为大数据内容的深入学习做好充足的准备。
再强调一下关于加班大多是企业文化和老板们的因素来决定的,而不是某种职业来定的。
所以年轻人喜欢什么样的生活就奔著相应的方向走吧!没有吃不了的苦,只有不想走的路[1]。
没有你说的那么严重,它的辛苦不是这种体力劳动,而是大量的脑力劳动和持续性的学习和自我充电
工作,只要你认真,就没有不辛苦的啊!
任何工作,如果你在其中找不到乐趣,会越做越辛苦,相反的如果把工作当成享受,再累也会觉得幸福,不在于工作,在于我们自己的态度!
珍惜拥有,找到自己的乐趣和价值,祝你好运!