參與大資料平臺的搭建和優化，包括Hadoop，spark，Kafka，ELK等軟體的配置和系統優化。計算學習基礎演算法，使用Java語言和python語言實現資料處理，熟悉spark和MapReduce。瞭解AMOS，DEA,Frontier,統計分析的基本步驟

資料科學工程流程：

資料產品規範流程一般有以下開發流程
CRISP——DM （資料探勘建模標準）
資料科學到產品設計過程中的操作：
1.理解業務核心
2.理解資料關係
3.資料準備
4.建立模型
5.評價優化
6。具體實施
資料科學的生命週期理論上將其工程化
1.資料採集工程
2.資料準備工程（降噪與清洗）
3.假設與模型
4.評價與解釋
5.系統部署與模型框架搭建
6 具體操作
7.迴圈設計和優化週期
在PhilipGuo的博士論文《DataScienceWorkflow：OverviewandChallenges》他簡化的操作為：
資料準備——資料分析——結果反饋——方法的傳播

資料產品的中心應該是資料不是軟體工程所以不能隨便轉移，如果轉移到軟體工程成本即將倍增。

推薦一個演算法————智慧演算法：醉漢演算法模型

資料分析一般使用的軟體：stata ，SAS，Matlab，Mintab，Excel，DEAP，Frontier4.1，SPSS，EViews ，Amos，AigGis，MapGis；Clementine，SASEM
需要方向：資料統計資訊挖掘，資料圖表製作，計量經濟模型，資料模型構建，調查問卷設計，金融模型分析，神經網路，DEA模型分析。

hinton設計的deep learning目前比較突出

在資料工作中需要的知識儲備：
商學，社會學，統計學，資訊管理，情報學，