1樓：碼農一枚
你是因為哪個更容易掌握而學習哪個的嗎？你還不如看哪個更有發展前景看哪個呢。
我覺得大資料發展方向特別好。
你可以試試大資料。
我看尚矽谷大資料教程，感覺還行。你也可以自學看看。反正教程是免費的。你能學你就學，不能學你就當拓展了自己另乙個領域的知識面。
也總比你直接報班學大資料，學了半路不想學習，浪費時間浪費金錢好。
2樓：資料分析師
當前大資料的技術體系已經趨於成熟了，雖然大資料的技術體系比較龐大，而且研究方向也比較多，但是由於當前已經積累了大量的實際案例，所以學習起來也會相對容易一些。從這個角度來看，當前學習大資料技術會有乙個相對較好的學習體驗。
不同知識基礎和結構的人都可以找到大資料學習的切入點，知識基礎薄弱的初學者可以從大資料採集和整理（清洗）開始學起，具有一定計算機基礎知識的人可以學習大資料開發，而數學基礎紮實的初學者可以學習大資料分析技術。當前大資料開發崗位的人才需求量比較大，隨著諸多企業紛紛實現業務上雲，未來大資料開發領域的人才需求潛力還是比較大的。
機器學習相對範圍窄一些。
就門檻來說，資料分析，資料開發的容易點，資料平台架構平台開發偏後端，有後端基礎的話問題不大。
3樓：靜靜不想靜
相對而言，大資料要比機器學習容易許多。
雖然說，大資料和機器學習，在每個細分領域都足可以窮盡乙個學者一生的精力來研究，但是概括而言：
1）大資料更多的是傳統的資料收集分析清洗的方向；
2）機器學習雖然也有相當多的統計學、概率、神經網路的東西在裡面，但是機器學習更多的是面向未來，很多東西都還在初步成長階段，要探索，要不斷的試錯，而且前進緩慢；
我家人裡面有從事這塊兒的，專門問了一下他，他說大資料他至少可以學個七七八八，而機器學習，三年了，仍然在起步階段，對智商和基礎知識要求太高了
4樓：蓋上蓋子
大資料的範圍太廣了，是個籠統的概念。
大資料分為四種分析方法：
大資料小分析，大資料大分析，流式分析，查詢分析。
機器學習只是大資料分析中的一種而已，是大資料價值比較好的一種分析體現。
兩者的關係也是很緊密的，相互促進，相互依存。
學習的優先順序並不衝突，因為學習大資料也會包含機器學習，學習機器學習那肯定就是大資料的一種了。
如果對機器學習感興趣那就先學，如果對大資料其他內容感興趣那就先學大資料。
5樓：資料蟲巢
大資料的範圍太大了。
大資料應該泛指包括資料開發，資料分析，甚至包括做大資料平台開發的崗位。
而機器學習相對範圍窄一些。
就門檻來說，資料分析，資料開發的容易點，資料平台架構平台開發偏後端，有後端基礎的話問題不大。
機器學習如果學校階段有一定的理論基礎相對好一點，不然的話會有點難以入門。
但從崗位市場來看，機器學習相關的會好上很多，潛力應該會更大些，競爭力更強。
6樓：Peter
大資料是乙個範疇，應該分為資料研發和架構研發兩部分。
架構研發，包括資料的儲存和算力框架開發，為資料研發提供基礎支撐。主要是PaaS和SaaS平台開發。
資料研發，以機器學習資料建模為主。包含資料ETL、特徵工程、建模和模型評估，主要是資料分析和演算法模型開發，對理論要求較高。
如果你是計算機專業，適合大資料開發。如果是數理統計，適合資料探勘。掌握難易程度取決於個人努力程度和自身條件，無法給出定量評價。
學習大資料需要學習機器學習嗎
Hong 個人經驗 如果你的職業規劃明確 想做big data engineer,那大概率你用不上機器學習的知識，就是遇上了扔給Data Scientist就好 而相反的如果你想做大資料分析 Data Scientist big data analysts 機器學習就是必須的了 而且你首先應該是個及...
用統計理解資料，和用機器學習理解資料，哪個更靠譜？哪個更有前途？
張俊紅 首先可能需要拉齊一下大家對於 理解資料 中 理解 這一詞的認知，我覺得這裡的 理解 可以等同於 分析 那變換下這個問題就是 分析資料，用統計方法好還是用機器學習更好？先說結論 好的分析是分析中統計和機器學習都會用到，都需要好好學。所以這個問題可能也就不必要存在了。如果非要在兩者中間選乙個的話...
如何把「機器學習」和「大資料分析」講得通俗易懂？
史蒂芬森雙豐收 深入 和 了解 好像有矛盾吧?但是如果涉及更深層次應用,模型怎麼回事你得知道吧?更深層次的自定義與優化,數學基礎你是不是要有點?所以,你到底要幹什麼? 網際網路小藥師 首先概括的講，人工智慧 Artificial Intelligence 機器學習 表示學習 深度學習 經典公式，人工...