阿里云 php教程，該如何學習大數據知識？
我們身處一個“技術爆炸”和“共享、開源”的時代，先進技術的更新迭代速率超過了歷史上任何一個時期，而且這些技術也不再閉塞，人人都可以接觸并學習。終身學習已經是我們每個人不得不面對的問題，這一點在大數據/人工智能領域體現的尤為明顯：層出不窮的新技術，一方面為我們帶來了便利，但同時也使我們面臨難以高效學習和選擇的窘境。因此，在這樣的時代背景下學習大數據知識，需要有相適應的邏輯和方法。
本文試圖幫助各位讀者用好各類“共享、開源”的學習工具以及學習渠道，躲過各類新手容易誤入的“深坑”，以最小時間成本和經濟成本，優質地完成目標技術的學習和掌握。
本文首先分析了時代背景，繼而對目前大數據領域的人才梯隊進行了劃分，最后給出了大數據/人工智能人才從菜鳥到高手的進階指南。
一、背景鋪墊
“技術爆炸”以及“共享開源”是這個時代最有特色的標簽，筆者認為二者是互為因果且緊密聯系的，首先在“技術爆炸”的時代，對于走在技術發展最前沿的研究團隊來說，“技術變現”的最好手段就是“共享開源”。反觀互聯網、移動互聯發展成熟之前，信息是十分閉塞的，某項技術創新一旦出現就需要第一時間注冊專利，技術需要靠政府來保護，而技術變現的唯一途徑就是出賣專利或者組織生產形成產品。
現如今互聯網及移動互聯已經發展的十分成熟，新的信息會以極低的成本在極短的時間內傳遍世界的每個角落，所以處在技術前沿的研究團隊僅需要在第一時間將自己的工作成果上傳到“arxiv”或者“github”之類中立的共享、開源網站，便會立即得到全球輿論的共同保護，這樣的力度要遠遠強于某個國家的專利保護。
隨后，只要新技術確有應用價值或者學術價值，那么各類資本巨頭、科技大鱷以及相關的各類組織便會排著隊上門送出豐厚的offer，對于前沿團隊來說，技術變現的時間點要遠遠早于技術產品化的時間點。
其次，因為“技術爆炸”總有新的技術等待著前沿團隊去研究發現，所以前沿團隊保持領先的最好方法不是捂著現有成果不放，而是盡快“共享開源”實現變現，然后投入到新的研究工作中。
最后，“共享開源”也在很大程度上促進了“技術爆炸”，無論任何技術、科技的長足發展都需要一個龐大人才體系來支撐，反觀歷史上的各個時期，分享知識、培養人才的渠道主要是“學校”，這一渠道不但形式單一而且往往具備相當的門檻，會將相當一部分“有志青年”擋在門外。
而在如今這個時代，知識傳播最快速的渠道是互聯網，由于“共享開源”，世界上最優質的教育資源以及最先進的學術、技術理念忽然間沒有了任何門檻，面向全部個體無差別開放，結果就是只要某一技術、科技領域有了很大的突破并具備廣闊的應用前景（如大數據、人工智能），那么相應的人才梯隊會在短時間內自動補齊跟上。
站在大數據學術前沿的研究團隊只需要一往無前地開拓疆域，其后的人才梯隊隨即會自動開展“新技術論證”及“技術產品化”等“保障”工作，保障這一技術領域及相關行業的健康發展，來進一步促進資源向金字塔尖的前沿團隊匯聚，支撐其開拓工作。
我們將上文提到的人才梯隊劃分為：菜鳥筑基、初入江湖、登堂入室以及華山論劍四個等級：
菜鳥筑基：本階段的人才以大數據基礎理論的學習為主，尚不能勝任真實的項目或者工作；
初入江湖：本階段的人才已經具備了初步的大數據實踐的能力，建議通過實踐（做項目、打比賽等）來更好地帶動學習；
登堂入室：本階段的人才需具備大數據科研論文的調研、閱讀和理解能力，能夠成功地將論文中的算法進行復現；
華山論劍：本階段的人才能夠獨立地開展大數據新技術的研究工作，具有發表原創性論文的能力。
下文將針對處于不同階段的大數據人才，給出不同的修煉、升級建議。
二、菜鳥筑基
1. 最好的資源往往是公開的
讀過背景鋪墊后相信已經不需筆者再解釋為什么最好的資源往往是公開的，在此直接給出一些獲取高質量資源的渠道。首先推薦國外的三個網站，分別是“Coursera”、“Arxiv”以及“Github”。
Coursera是全球頂尖的在線學習網站，由業內極具學術造詣及分享精神的大咖創辦。Coursera上的課程相對比較基礎，應該是“小白”起飛最好的平臺，在這里推薦吳恩達（Andrew Ng）開設的“機器學習”以及“深度學習”。對于國內學生來說最大的問題可能就是英語了，在這里需要明確一點，如果各位想要成為真正的高手，那么英語是永遠繞不過去的坎，業內最新、最好的資料無一例外都是英文，即便是來自國內的頂尖高手在發論文時都不會選擇用中文。
其實對于絕大多數人，英語并不應該被當作一門“學科”來學習，而應該被當作“工具”來用。具體的做法也沒有捷徑，就是看到不懂的單詞立即查，單詞不用刻意去記憶，下次遇到不會就再查一次，一切以快速弄懂句子含義為目標。
Arxiv以及Github是各位讀者未來會特別常用的兩個網站/工具，Arxiv上有最新最全的共享論文，論文中會對各類算法進行詳盡的闡釋，Github上有最新最好的開源代碼，這些代碼往往是對某種算法的實現，具體的使用方法網上有許多教程，在此不做展開。
讀者可以簡單的理解為Arxiv是修煉內功的地方，而Github是修煉外功的地方。只練內功不練外功是無法解決實際問題的，但只練外功不練內功又往往毫無威力，一定要內外兼修。最后再向大家介紹一個神奇的網站名叫“gitxiv”，會幫助各位找到論文與代碼的對應關系。
2. 不要看書、不要看書、不要看書
一門學科怎么入門呢？菜鳥在面對這個問題時，最容易踩入的“深坑”就是找一本權威的書來從頭學起，一旦踏入此坑，輕則荒廢自己數周時間，重則對某一門學科徹底失望終生。首先好書本來就不多，往往可遇不可求。其次即便遇到好書，為了保證學術性，書中用語往往“嚴謹”但難懂，且會從學科的早期歷史為讀者打下“堅實基礎”，講到最近的技術手段時又戛然而止。最后，就算讀者傾盡數月之功力，堅持讀完了，筆者可以用血淋林的親身實踐告訴你，書中前半部分的內容一般人肯定會忘的。
當然也有特殊情況，如果各位已經確定了自己的研究方向，并且有高人/導師指點，給出了相應領域內必讀好書的名錄，這一類書還是值得一看的。不過在看的時候也要注意，不要糾結于某些細節問題，看不懂的地方可以先記下來，這類細節往往會在各位后面實踐過程中的具體場景下恍然大悟。
正確的做法一句話就可以概括，好書是用來查的而不是用來啃的，什么時候來查呢？下文會逐步解答。
3. 找對好基友，連滾帶爬往前走
現在已經不是一個單打獨斗，憑著跌落斷崖后找到一本秘籍閉關幾年就能橫掃天下的時代了，無論是像Hinton（推翻了BP算法的BP算法之父）這樣的泰斗，還是像何凱明（發best paper像一般人發paper一樣容易的神奇學霸）這樣的新秀，都處在各自非常靠譜的團隊中與小伙伴們共同探索。好基友不需要多，有一兩個真正靠譜的就已經足夠，至于隊友的重要性后文會慢慢闡釋。
菜鳥筑基這部分最后要給出的建議就是，千萬不要在這個階段停留太久，不要等“準備好了”再去著手實踐，因為這里的“準備好了”往往包含菜鳥的不自信，不去進一步提升自己是永遠準備不“好”的。一般情況下，想做“計算機視覺”或者“自然語言處理”等偏AI方向的同學在完成吳恩達的《深度學習》課程后，想做“數據挖掘”的同學在完成吳恩達的《機器學習》課程后，就可以選擇相應的實踐項目準備進入下一階段了。
那么我們該選擇什么實踐手段呢？最佳的情況是有大神帶隊做真實項目，但是這樣的機會往往可遇而不可求，在此不展開討論。普羅大眾型的辦法是參加一個大數據比賽項目，現在國內的“阿里天池”以及國外的“Kaggle”都是開放式的大數據比賽平臺，平臺上會有各種組織發布的各類真實項目供大家實踐、比賽。讀到這里各位心里可能還存有很大的疑問：“就算學會了基本課程，在沒有人帶的情況下能上手實踐嗎？”，下文將陸續回答如何“連滾帶爬”的進行實踐。
三、初入江湖
1. 找到一個最高的baseline
這里的“baseline”可以理解為前人已經做出成果，當自己恰好需要去做相同工作時的參照。對于上文提到的情況，如果有大神帶隊進行實踐的話，那么帶隊大神此前的實踐經驗就成為了全體小隊成員的“baseline”。那對于沒有“大神”資源的廣大讀者是否有更通用的解決辦法呢？答案是肯定的。如果讀者目前對于一類問題無從下手，例如剛剛學完“深度學習”的課程，但是不知道如何去做“自然語言處理”類的項目，最好的辦法是利用好國內的“萬方”以及“知網”這樣的論文查詢平臺，去查詢相關領域國內普通高校的學位論文，這樣的論文絕大部分都是中文并且會在論文中介紹大量的基礎背景知識，正好滿足了我們的需求。
如果是對某一技術方的特定知識點不明所以，例如在做“自然語言處理”方向的項目，但卻不太了解“LSTM”，則可以利用好國內的諸如“知乎”、“簡書”以及“CSDN”這類的知識分享網站，只要不是太新的理論，都可以找到相應的博文或者解答。使用上述兩類渠道的共同技巧是，多搜幾篇文章對比著看。同一個概念或者技術，一篇文章很難全面描述清楚，并且由于文章作者不同，解釋問題的出發點也不盡相同，所以如果各位遇到看不懂某篇文章的情況時，不用急躁，接著看下一篇文章就好。另外，前文提到的“好書”在這里就可以用來查了，讀者會發現原來想記都記不住的知識點，只要“查”完并且“用”過，那么一般想忘都忘不掉。
這里對baseline所謂“高”的定義是，越接近學術前沿，實踐效果越好，就認為越“高”。一般情況下，可參照的成果越“高”，中文文獻就越少。
文章寫到這里不知是否回答了上一章節提出的疑問，上一章節提到的“連滾帶爬”指的就是我們在選定某一實踐方向后，根據實踐的最終成果再回過頭來對我們的相關知識進行“查漏補缺”的過程。這樣的學習過程，目標性更強，參與者完全有針對性的去學習，學到的東西可以立即實踐，從而避免“學過就忘”的尷尬。
2. 合理追求quick win
筆者曾經仔細地研究過為什么女生逛街會“不知疲倦”，得到的答案是，女生每逛一家店鋪，看看店鋪中的鞋子/衣服/包包就能得到一定的興奮點，在得到一個興奮點后就想著直奔下一個興奮點。類比到我們做項目/打比賽的過程中，我們需要為自己的團隊設置這樣的“興奮點”，讓團隊成員都能夠享受到“quick win”的快感，來支持大家繼續推進。
而取得“quick win”的關鍵是要將手中的工作/任務合理劃分成若干“稍微努力一下就能達到”的子任務，這中間的細節過于復雜，在此就不展開討論。一個teamleader需要做的最重要的事，就是幫助團隊合理劃分任務而不斷取得“quick win”，一個人只要具備這樣的能力，無論技術高低都能夠團結一批志同道合的小伙伴。
3. 你最大的動力往往來自DDL（Deadline）
有那么一句成功學的佳句是“每天叫醒我的不是鬧鐘而是夢想”，這句話聽起來很勵志，但對于90%的人來說就是胡扯，我們回首望去發現每天叫醒我們的往往是“上班遲到后被扣的工資”或者是“晚到實驗室后老板的殺氣”，這就是現實，聽起來很殘酷但是我們完全可以利用好它。具體到我們的升級以及項目推進中，能讓我們不斷向前的最大動力往往是“在DDL前無法完成任務后小伙伴們的鄙視”以及“完成quick win后帶來的成就感”。
做好這一點除了上一小節提到的要合理劃分任務之外，最重要的就是有一個靠譜的teamleader不斷的進行推進（push），每到既定節點后雷打不動的推進。最后要啰嗦一句，根據馬斯洛需求層次理論，夢想應該屬于模型頂層的“自我實現需求”，如果一個人可以被“夢想”叫醒，那么這個人的其他需求應該已經被很好的滿足了，所以我在這里真誠的祝福大家終有一天可以在早晨被自己的“夢想”叫醒。
四、登堂入室及華山論劍
如果有一天各位發現自己在工作實踐中，需要不斷地關注最前沿的論文，并且需要不斷地嘗試復現論文中的算法來用于實踐，那么要恭喜各位已經跨入了大數據/人工智能領域高手的行列了。登堂入室與華山論劍兩個階段的區分不是特別明顯，因為論文讀得多了，總會有些自己的新想法，這些想法經過實驗驗證后就可以去發論文。反過來，即便你發表過前沿論文也還是需要繼續跟進其他論文。
1. 朋友圈決定了你人生的高度
在這一小節的開始，筆者首先要端出一碗毒雞湯，即便是在這個“開源、共享”的時代，學術/技術資源的分布還是極度不平均的，并且這樣的不平均會越來越明顯。究其原因有兩個，第一個原因可以援引在清華17級研究生開學典禮上某校領導的一句話來闡釋----“最有效果的研究手段就是與相當水平的同行當面交流”，翻譯一下就是高手越多的地方就越容易產生高手，這會導致高端人才分布的越發不平均。
另外，做學術前沿研究的經濟成本是很高的，國內某頂尖AI公司全球研發工作一個月的電費開銷就能達到千萬級別。即使是普通的AI項目，服務器、GPU的成本也會導致普通的研究人員根本無法找到充足的經費來支持自己的研究。
喝完毒雞湯也要來一些正能量，雖然資源分布不平均了，但人才通道仍然是開放的，只不過門檻越來越高而已，我身邊就有畢業四五年后，也能夠一邊工作一邊復習考上清華研究生，最終接觸到前沿科學研究的例子。數據派就是一個匯聚了清華頂尖大數據/人工智能資源的開放組織，有心的小伙伴可以點擊“閱讀原文”加入組織~（主編現在可以把刀放下了，這波廣告打的筆者自己也有些猝不及防）
2. 選擇永遠比努力更重要
這個標題聽起來又像是一碗“毒雞湯”，但這就是血淋林的生活帶給筆者的經驗。筆者見過某個算法團隊自己悶頭搞了幾個月研究毫無進展，經過大神點播后一個月內完工的情況。
下面舉一個更戲劇性的例子，自然語言處理曾經在20世紀70年代左右有過界限分明的兩個學派之間的激烈交鋒，一撥是希望通過語法規則來做語音識別的“規則派”，另一撥是基于統計方法的“統計派”，這兩撥從事相同領域研究的學者竟然分別召開自己的學術會議，即便出席同一大會竟然也要分場開小會。
到了20世紀90年代“統計派”的識別率已經達到了90%以上，而“規則派”僅有不到70%，勝負已分（吳軍老師的《數學之美》一書中對這段歷史進行了詳盡有趣的闡述）。但試問如果有一名博士生在20世紀70年代將自己學術方向定為“規則派”，到了20世紀90年代的時候他該做何感想？
到了“登堂入室”這個階段之后，做好選擇顯得尤為重要，這樣的選擇不僅僅限于學術方向，也涵蓋例如“做學術”還是“做產業”等等更廣義的范圍。一個可以參考的經驗是，如果人生的重大決策失誤，基本要用五年來挽回，大家要考慮清楚自己有幾個這樣的五年。
3. 唯一的限制往往是自己的妥協
看看本小節的標題，讀者可能會覺得本文這下要以“毒雞湯”收尾了。但其實在這里“妥協”并不是一個貶義詞，筆者認為它起碼是個中性詞。從某種意義上講，每個人最終都會達到某種“妥協”，而不妥協就意味著背后存在與現狀不匹配的野心或者欲望，什么時候野心和欲望跟現實匹配了，也就一定會“妥協”。這就是華山論劍的秘密，每個能站在頂峰的人都必定抱著某種超乎常人的野心或者欲望，當然這里的野心或者欲望是廣義的，也同樣指對于學術的追求。
最后，“毒雞湯”不負眾望的要出現了，根據筆者的觀察，每個人的“妥協點”并不是自己設定的，一般情況下自己也無法影響，所以每個人最終要走到的高度往往是確定的。
但從筆者的角度看來，并不覺得站在華山之巔就一定是好的，真正的“好”是能夠坦然接受自己的“妥協點”，并且能夠在自己的“妥協點”安安心心、高高興興的工作和生活下去，這才是最具智慧的選擇。
在阿里云上買了應用鏡像Wordpress？
當然要的，而且還需要在阿里云備案中心提交工信部ICP備案，否則你網站是無法開通在大陸服務器上的。
域名購買建議就上 www.net.cn 會自動跳轉阿里云域名購買中心，選擇一個自己覺得不錯的.com/.net域名都可以，然后購買一款阿里云虛擬主機，比如彈性托管 https://wanwang.aliyun.com/hosting/elastic 考慮到學生經濟承受力有限，就選擇第一款最便宜的就夠了：
不過有個問題，一般鏡像都是需要安裝在ECS上的，我提供的這個方法適合于你懂一點WordPress的安裝知識，需要你上WordPress官網下載最新版WordPress：https://wordpress.org/latest.zip 解壓縮以后通過FTP上傳到空間，然后配置wp-config.php，對接mysql數據庫，然后通過網址訪問安裝WordPress即可。
普通網站的建設費用和維護費用是多少？
建網站的大致流程如下：
先注冊域名，域名就像你的家庭地址一樣，用戶要瀏覽你的網站，只要在瀏覽器里輸入相應域名就能直達網站。選擇域名的三大原則是方便輸入、容易記住、有實際意義，一般是以品牌或網站名稱的拼音作為域名比較好，現在的域名后綴五花八門，建議還是以com、cn、net為宜。有心儀的域名越早注冊好，避免被別人搶注。域名按年收費，一般是100元左右一年，價格每年可能調整。
然后就是網站建設了，現在一般的網站建設都是模板化了，專業名稱叫CMS建站系統。這種建站方式優點是建站快、價格美麗，只需要添加數據，付點使用費就行了。缺點是風格千篇一律，功能固化，網上可能有很多網站跟你的一模一樣，只是網站名稱不同罷了。想要有自己的風格或功能調整，就需要另外付定制費了。另外一種建站方式是自主開發，適用于大型網站。從建站需求到風格設計，再到功能開發，都是由建站團隊量身定制。優點是風格、功能隨心所欲，只有想不到，沒有做不到。缺點是開發成本高，周期長，價格貴。如果是模板建站一般從幾百元到幾千元，如果是自主開發，幾萬塊是少不了的，具體要看網站需求跟開發周期了。
再就是購買服務器或空間了，中小型網站一般數據不太多，租用空間合適，大型網站要購買服務器并托管。購買成功后，要進行網站備案，大概需要兩周左右，通過備案后就可以上傳網站并綁定事先注冊好的域名就行了。空間是按年收費，一般是幾百到幾千；服務器要花錢購買，一般是幾萬塊，還要每年交托管費。
綜合來說，模板建站第一年的費用在3000元左右，以后每年只交空間費和域名費，基本在1000元左右。大型網站開發費用在幾萬和幾十萬之間（甚至更高），同樣每年交服務器托管費和域名費。另外，內容維護如果是找人或外包，需另行付費，基本就是人工工資了；如果是自已維護就沒有這方面的開支了。
希望我的回答能讓你滿意。
畢業后有哪些工作崗位？
本人從事大數據以及相關行業，從目前大數據實際運用的角度來說一下這個問題。以下是我整理的近年來大數據相關好崗位以及崗位職責，技能需求需求，供參考
一，大數據開發
從事大數據開發工程師
崗位職責
1、利用Hadoop、Spark等技術在分布式系統上對海量歷史數據進行預處理，挖掘用戶信
息；
2、參與大數據基礎平臺的搭建和維護；
3、負責廣告投放項目管理平臺研發；
4、負責大數據計算處理平臺項目研發。
技術要求
1、熟練掌握c++/Java開發，具備扎實的程序設計基本功和學習能力
2、熟悉 Linux，熟悉 shell/perl/python/php 等腳本語言的一種或多種。
3、熟悉傳統數據庫MySQL。
4、熟悉MapReduce、Storm、Spark、Spark Streaming等大數據開發工具，對源代碼
有一定研究者優先；
5、熟悉linux環境，熟悉shell等腳本編程；
6、有大規模數據處理和日志處理經驗的優先。
7、有較強的人際溝通、協調能力，具備與技術人員溝通數據需求的能力；
8、具備良好的邏輯分析能力和解決實際問題的能力。
二，大數據運維
從事大數據運維工程師
崗位職責
1、負責大數據平臺整體軟硬件的日常運維；
2、分析平臺運行狀態，進行性能優化；
3、負責大數據平臺運行故障的分析、定位和解決；
4、負責新技術、新組件的技術探索、測試和應用；
5、支撐運維自動化系統的設計和開發。
崗位要求：
1、 熟悉hadoop生態圈主要開源技術組件及其工作原理，能閱讀相關源代碼，能順利閱讀英文文檔；
2、熟悉軟硬件設備、網絡原理，有豐富的大數據平臺部署、性能優化和運維經驗；
3、熟悉Linux，熟悉cacti、ganglia、zabbix等運維軟件，熟悉SaltStack、Ansible等自動化軟件，有python、java、shell編程基礎；
4、工作認真負責，有較強的學習能力、動手能力和分析解決問題的能力；
補充：
熟悉
Hadoop/Hbase/Hive/Presto/Yarn/Spark/Storm/Kafka/Elasticsearch/Flume等開源項目，有運維優化經驗者優先；
熟悉Linux操作系統的配置、管理及優化；
熟悉Python、Linux、shell,有ETL維護經驗、電信行業大數據維護經驗者優先
三，數據挖掘
從事數據挖掘工程師
崗位職責
1、對海量數據進行分析，建立數據挖掘算法，利用大數據對產品進行研究和建模，為用戶提供評估和預測等功能；
2、參與/負責用戶畫像、推薦等系統搭建，參與核心產品推薦場景算法的研發和優化；
3、采用先進的數據挖掘和機器學習算法，為公司業務部門提供決策依據；
4、搭建數據挖掘系統和機器學習系統，實現智能平臺的自動化流程。
1、具備強悍的編碼能力，有扎實的數據結構和算法功底；
2、優秀的學習能力、獨立分析問題和解決問題能力；
3、熟悉Linux開發環境，熟悉Python，PHP，Java等語言兩種以上；
4、熟悉基本的數據分析方法、數據挖掘、機器學習算法；
5、熟悉SPSS/Modeler/R/Python等至少一種數據挖掘工具；
6、熟悉Hadoop/Spark，有Elasticsearch，Solr，Kafka，Flume等開源項目使用經驗
7、有畫像、廣告、推薦，搜索等算法方向實際工作經驗優先
四，BI（商務智能）工程師— （包括數據庫開發、BI開發工程師、ETL開發、報表開發、BI咨詢顧問）
崗位職責
1、獨立負責業務數據收集整理，構建經營分析和報表系統；
2、通過專題分析，對業務問題進行深入分析，為業務的策略、產品優化提供數據支持；
3、 以數據驅動業務為目標，進行數倉研發工作但不局限于數倉；
4、 參與數據倉庫ETL設計、開發和優化工作，保證數據準確、穩定、組織合理
崗位要求
1、掌握Oracle、MySQL、ODPS等數據庫開發技能，熟練應用開發、數據庫原理和常用性能優化和擴展技術；
2、掌握數據倉庫建設、熟悉大數據平臺操作，離線計算Hive/MR研發、實時計算spark streaming/storm；
3、熟悉ETL邏輯、OLAP設計和數據分析技術（聚類分析、回歸分析、決策樹等）、數據挖掘相關算法；
4、熟悉Linux系統環境開發，掌握shell、perl、python等至少一種開發語言。
6. 有較強的邏輯/概率思維能力，善于分析、歸納、描述、溝通、和解決問題。
補充（根據企業工具區別）
1、全面熟知數據倉庫設計理念、設計方法，熟練掌握Informatica、Kettle、Automation等至少一種ETL工具；
2、熟練掌握SAP BO、MSTR、SmartBI、Cognos、QV等至少一種BI工具；
3、熟悉數據倉庫，掌握BI相關工具，如ETL工具（SSIS, SAP DataService）、OLAP工具（SSAS）和前端展示工具(BO CR/Webi)
五，數據可視化
從事可視化工程師
崗位職責
1、負責大數據平臺業務邏輯和數據可視化功能，數據可視化組件研發；
2、搭建基礎的可視化分析平臺，設計數據分析應用的架構，實現實時數據調用與展示；
3、數據相關性分析與根因分析；
4、支持客戶需求分析和數據分析。
崗位要求
1、熟練Web前端技術（SVG/HTML5/JavaScriptdeJS等）；
2、熟練D3、Echarts、Three.js、WebGL等開源數據可視化庫和技術；
3、有Web服務器端編程語言（如Node/Java）開發經驗優先；
4、有blender(以及blender game engine)或者unity 3d或unreal engine等開發經驗優先
一些BI崗位的詳細介紹
BI工程師（開發、咨詢、實施）
BI開發工程師
崗位職責
1、執行在框架設計的基礎上完成具體組件的概要設計、詳細設計編寫；
2、完成BI系統具體組件的代碼編寫、單元測試；
3、參與BI系統報表平臺技術架構設計，數據庫結構設計；
4、參與BI系統數據倉庫的構架、建模和實現。
5、負責向需求方提供數據及業務分析服務，負責整體風控模型的優化，理解并掌握BI報表需求；
崗位要求
1、有數據倉庫或統計分析類項目開發經驗或較深的理論知識；
2、熟悉Cognos、Webfocus、ireport等數據分析報表開發工具和技術；
3、熟悉Linux/Unix服務器，并了解一些基本的操作命令；
4、至少熟悉Informix/Oracle/SQL Server等數據庫中的一種,并在此基礎上有過ETL程序或存儲過程的開發。
5、能夠熟練應用JSP/Servlet/JavaScript等WEB開發技術，熟悉Spring，Struts2和iBATIS等主流的開發框架，熟悉BIRT、JasperReports等開源報表工具；
6、熟悉Linux Shell、Perl等腳本語言，熟悉ORACLE數據庫，PL/SQL編程；
7、熟悉BI系統技術框架，熟悉數據采集流程，對數據倉庫有比較深入的了解；
8、熟悉行業經營分析系統（BI）架構及實現者優先。
BI咨詢顧問
崗位職責
1、分析客戶的數據要求；
2、負責Qlikview/Tableau BI項目的實施和報表開發；
3、負責校驗數據，保障數據的準確；
4、 負責客戶需求收集、分析，梳理業務流程解決方案，項目的拓展支撐；
5、撰寫需求規格書及各類相關文檔；
6、良好的團隊合作、協調、問題處理能力；
崗位要求
1、對BI有系統的認知；
2、熟練使用Qlikview，Tableau等前端工具；
3、熟悉MS SQL Server，熟練運用SQL語言；
4、前端報表偏業務方向需熟悉主流報表工具或新興前端報表工具Qlikview、Tableau等優先考慮；
6、后臺數據處理需熟悉掌握至少一種后臺ETL開發工具，例：Informatica powercenter、Datastage、OWB、微軟DTS、Kettle等；
7、后臺數據建模需熟練掌握至少一種數據挖掘算法和建模方法，了解建模；
8、良好的英文能力，能快速閱讀和撰寫英文技術文檔者優先。
BI實施工程師
崗位職責
1、負責BI項目的需求調研與分析工作；
2、負責BI項目的方案設計、實施或項目管理工作；
3、參與公司BI產品和項目的實施開發工作。
崗位要求
1、良好的數據庫基礎，精通SQL，深入掌握Oracle或其他數據庫，能夠進行數據庫調優；
3、熟悉ORACLE、MYSQL、SQLSERVER等主流數據庫的安裝及配置、熟悉SQL語句編寫及ETL、BI實施工作；
3、熟悉LINUX操作系統安裝及常用命令；
4、熟悉BI基礎理論知識，使用過BI相關產品；
5、參與BI相關項目的實施工作；
6、熟悉TOMCAT、JDK等安裝及參數配置；
7、具備較強的語言表達能力，能與客戶順暢溝通或產品介紹；
8、具備較強的學習與動手能力，能夠適應全國范圍內出差；
9、熟悉hadoop大數據及自動化運維工具經驗者的待遇從優。
ETL工程師
崗位要求：
具備一般的JAVA應用開發能力；
熟悉Oracle下的分區，表空間， SQL性能調優等操作；
熟悉常用的ETL工具，如：kettle， informatica等；
熟悉常用的報表工具，如：Cognos等。
崗位職責：
負責行業生產交易系統數據倉庫開發，存儲過程編寫，數據模型研究，大數據研究
六，數據分析工程師
崗位職責:
1、進行業務和企業經營行為分析，梳理業務規律和業務需求；
2、將業務需求轉化為數據需求，發現數據應用場景，梳理指標體系；
3、使用合適的數據分析工具進行數據分析和模型設計；
4、提出基于數據的結果和分析建議，根據分析結果進行行業研究、評估和預測；
5、編寫數據分析報告；
6、完成領導交辦的其他工作。
崗位要求
1、本科以上學歷，計算機、數學、統計學等相關專業；
2、深刻理解大數據分析原理及相關應用；
3、熟練掌握主流數據庫技術；
4、精通數據分析、挖掘工具與方法，如SAS、R、Python、EXCEL等；
5、敏銳的數據觀察和分析能力，及時發現和分析其中隱含的變化和問題并給出建議；
6、良好的溝通能力和團隊精神，較強的學習能力，能承擔一定的工作壓力；
互聯網是一個快速發展的行業，如果你剛上大學，可能四年出來就會有變化！所以還是注意相關咨詢！希望能夠幫到你，歡迎關注，討論
服務器云服務器和虛擬主機有什么區別？
簡單的說一下，這3個在某種程度上應該是包容的關系，如下圖所示。一般來說1個物理服務器如果放在公有云上，那么可以叫做云服務器，而公有云上的云服務器可以通過虛擬化技術分成多個虛擬主機，以方便不同的客戶租用。
服務器的定義一般是指物理服務器或者現在說的裸金屬服務器，我們看到的就是一個大大的服務器的實體。在過去沒有云服務器和虛擬機的的時候，網站或者企業需要提供什么服務，必須要購買裸金屬服務器，然后把服務安裝在服務器上。
所以，在很早的過去，部署網絡服務，必須要購買實體服務器。
這種方式十分的厚重，價格又昂貴，以至于中小企業或者個人是很難購買部署的。這個時候大的公有云供應商，例如亞馬遜和阿里巴巴，他們把物理服務器統一的部署在自己的數據中心，然后企業客戶或者個人可以向他們租用服務，這種方式我們就叫云服務器。
所以云服務器是基于云（數據中心）的，可能是公有云（基于互聯網）也可能是私有云（基于企業私網）。云只是一個形象的表述。那么公有云或者私有云的服務器，就是云服務器。
云服務器的優勢就是對于用戶來說選擇更靈活，更具有彈性。例如一個客戶實際上初期只要租用低性能的服務器，業務量上來后可以彈性擴容成高性能的服務器，這樣比客戶直接購買一臺服務器成本要低的多。而且云服務器由公有云廠家統一維護，對客戶來說也更簡單
虛擬主機則是通過虛擬化技術，在物理服務器上虛擬出來的多個邏輯的服務器。比如假設一個物理服務是64核的，而用戶可能只需要4核就足夠了，這個時候可以通過虛擬化技術，將一個物理服務器虛擬出一個4核的邏輯服務器給用戶使用
以上就是關于阿里云 php教程以及該如何學習大數據知識的相關回答，有更多疑問可以加微。