1樓：加公尺谷熊老師
機器學習是大資料分析的一部分，它使用演算法和統計資訊來理解提取的資料。
大資料分析是對資料的廣泛研究。它用於通過演算法開發，資料推斷來分析和處理資料，以簡化複雜的分析問題並提取資訊。
機器學習是人工智慧的乙個分支，它使計算機可以通過任何人工干預從經驗中自動學習。機器學習的整個概念圍繞著在沒有人為干擾的情況下確定障礙物的答案而開始，這始於從示例或直接經驗中了解資料，分析資料模式並根據推論做出更好的決策。
機器學習是大資料分析的組成部分。大資料分析作為乙個整體，包括大資料，資料學習，統計資訊等等。機器學習涉及使用程式設計和計算演算法來得出結論，而大資料分析則使用數字和統計來得出結果。
所以，機器學習不一定是大資料分析的必備技能，他是大資料分析的組成部分。
2樓：加公尺谷大資料老師
首先回答題主的問題，大資料分析需要機器學習技能，但是大部分情況下來說，其實只要會調包，尤其以Python為代表，資料科學相關的包很多，做資料分析尤其是挖掘的時候，會需要呼叫相應的工具包解決問題。
大資料分析工程師，可以說是大資料落地之後，根據行業需求而衍生出來的新興職業，與資料分析師不同，大資料分析工程師，雖然也需要具備一定的資料分析能力，但是同時也要求一定的程式設計能力。
大資料分析師的主要工作任務，至少包括
1.資料採集
找出描述使用者或對業務發展有幫助的資料，並將定義相關的資料格式，交由業務開發部門負責收集對應的資料。
2.ETL工程
收集到的資料，進行各種清洗、處理、轉化等操作，完成格式轉換，便於後續分析，保證資料質量，以便得出可以信賴的結果。
3.構建數倉
將資料有效治理起來，構建統一的資料倉儲，讓資料與資料間建立連線，碰撞出更大的價值。
4.資料建模
對於已有的資料，梳理資料間的複雜關係，建立恰當的資料模型，便於分析出有價值的結論。
5.統計分析
對資料進行各種維度的統計分析，建立指標體系，系統性地描述業務發展的當前狀態，尋找業務中的問題，發現新的優化點與增長點。
3樓：向磊
並不是，分析有很多種，機器學習算是其中比較高階的，但不是必備技能，會寫hive，pig，spark也可以做資料分析。這個需要看業務場景和需求，雖然機器學習看起來很好，但沒有業務需求也沒有意義。
4樓：pjb
大資料分析是一種應用，機器學習是一種方法或工具。開展大資料分析的方法可以多種多樣，包括機器學習方法，但不一定非得侷限於此；機器學習方法可以用於解決各種各樣的應用問題，包括大資料分析，但也不侷限於此。從目前的情況來看，面對海量、複雜的大資料資源，運用機器學習方法可以較高效的取得開發應用效果，所以，可以說掌握運用機器學習方法是完成大資料分析任務的必備技能。
5樓：王sir說大資料
前期不用，後期必須的。
大規模的資料分析，就得進行模型訓練，得用機器學習的演算法，不僅僅這樣，如果訓練效果不好，還得調參。
所以，演算法必須理解的透徹，不能浮於表面，不然調參或者調優這關過不了。
大資料分析中，有哪些常見的大資料分析模型？
牛博 模型其實就是一數學函式對映，從應用層角度來看，會有一些通俗的名字,簡單羅列一下 一 使用者模型 二 事件模型 三 漏斗模型 四 熱圖分析模型 五 自定義留存分析模型 六 粘性分析 七 全行為路徑分析 八 使用者分群模型 九 Session 分析 十 間隔分析 十一 分布分析 十二 營銷廣告投放...
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...
學習大資料分析有前途嗎？
歷歷在目 大資料分析在很長一段時間都是很重要的崗位。高階的資料分析師，既要迅速掌握業務需求，又懂得如何轉化為資料模式，懂得ETL轉換，為資料工程師和資料科學家提供輸入，並對結果負責。這是乙個很有前途又高薪的工作 時光機 必須有，資料是企業的核心資產，資料分析是對資料價值的挖掘，大中型企業都會越來越看...