大数据专业对于机器学习的要求到底有多高？
这是一个非常好的问题，我从专业学习和岗位要求这两个方面来回答一下。
首先，对于大数据专业的同学来说，统计学和计算机学习这两大块知识是非常重要的，因为这是当前最基本的两种数据分析方式，而不同场景往往会采用不同的数据分析方式。
数据价值化岗位可以分为三大类，分别是数据分析师、数据科学家和算法工程师，这三大类岗位对于机器学习知识的要求是不同的。
数据分析师岗位的细分方向非常多，很多细分岗位的门槛也并不高，计算机、数学、统计学、金融等专业的毕业生都可以从事数据分析师岗位。
数据分析师岗位所面对的行业场景对于自身的技术栈有比较直接的要求，如果面对的数据都是结构化数据，而且数据量本身并不大（比如10万条以内），那么基本的Excel和BI工具就能够解决大部分数据分析问题，很多数据分析甚至用报表系统就可以解决，那么这一类岗位对于机器学习的要求就比较低了。
数据科学家对于机器学习相关知识的要求就比较高了，因为数据科学家所面对的往往是平台级问题，要基于当前的业务模型来构建数据分析模型，要面对大量异构数据，而这正是机器学习比较适合的场景。
数据科学家的知识体系不仅涉及到统计学和机器学习，对于数学基础的要求也相对比较高，所以当前很多数据科学家都来自数学和统计学专业。
算法工程师对于机器学习的要求也比较高，而且算法岗不仅要掌握传统的机器学习算法，还需要掌握深度学习、迁移学习等一系列机器学习方式，要全面掌握有监督学习、无监督学习和强化学习这些基本的机器学习范式。
相比于数据科学家来说，算法工程师更注重工程实践能力，要能够完成算法的实现、训练、验证和应用等一系列步骤。
总体上来说，不同的岗位类型对于机器学习的要求是不同的，侧重点也不同，所以要围绕自己的岗位规划来构建自身的知识体系。
最后，如果有大数据相关的问题，欢迎与我交流。
