参与大数据平台的搭建和优化，包括Hadoop，spark，Kafka，ELK等软件的配置和系统优化。计算学习基础算法，使用Java语言和python语言实现数据处理，熟悉spark和MapReduce。了解AMOS，DEA,Frontier,统计分析的基本步骤
数据科学工程流程：
数据产品规范流程一般有以下开发流程
CRISP——DM （数据挖掘建模标准）
数据科学到产品设计过程中的操作：
1.理解业务核心
2.理解数据关系
3.数据准备
4.建立模型
5.评价优化
6。具体实施
数据科学的生命周期理论上将其工程化
1.数据采集工程
2.数据准备工程（降噪与清洗）
3.假设与模型
4.评价与解释
5.系统部署与模型框架搭建
6 具体操作
7.循环设计和优化周期
在PhilipGuo的博士论文《DataScienceWorkflow：OverviewandChallenges》他简化的操作为：
数据准备——数据分析——结果反馈——方法的传播
数据产品的中心应该是数据不是软件工程所以不能随便转移，如果转移到软件工程成本即将倍增。
推荐一个算法————智能算法：醉汉算法模型
数据分析一般使用的软件：stata ，SAS，Matlab，Mintab，Excel，DEAP，Frontier4.1，SPSS，EViews ，Amos，AigGis，MapGis；Clementine，SASEM
需要方向：数据统计信息挖掘，数据图表制作，计量经济模型，数据模型构建，调查问卷设计，金融模型分析，神经网络，DEA模型分析。
hinton设计的deep learning目前比较突出
在数据工作中需要的知识储备：
商学，社会学，统计学，信息管理，情报学，