一、數據科學與大數據與統計學的區別？

1、區別一：培養目標不同。

（1）統計學

「統計學」主要通過利用大量數據進行量化分析，總結出一些經驗規律，做出后期推斷和預測，從而為相關決策提供依據和參考，其不僅僅是統計數字，還包含了調查、收集、分析、預測等，應用范圍十分廣泛。

（2）數據科學與大數據技術

「數據科學」綜合運用統計學、計算機科學、應用數學等學科提供的現代數據分析工具和方法從數據中自動尋找規律或者有價值的信息。

具體來說，它是運用概率統計、并行與分布式計算、人工智能、機器學習等綜合知識研究來自工業、生物醫療、金融證券和社交網絡等眾多領域的較大規模或結構復雜數據集的高效采集、高效存儲、高效管理、精確建模、深入分析和精準預測的新興交叉學科。

2、區別二：課程設置

（1）統計學

一般來說，統計學專業的核心課程無外乎三個方面——數學、計算機和經濟。若對該專業的核心課程進行分類，可大致歸結為以下3種∶

數學相關的核心課程：數學分析、幾何學、常微分方程、概率論、抽象代數、復變函數等；計算機相關的核心課程：計算機應用基礎、程序設計語言、數據庫管理系統、計算機網絡、數據結構與算法、深度學習等；

經濟相關的核心課程∶計量經濟學、經濟預測與決策、金融數學、證券投資與統計分析等。

（2）數據科學與大數據技術

二若對數據科學與大數據技術專業的核心課程進行分類，可大致歸結為以下3種∶

·數學相關的核心課程∶概率論、數理統計，應用多元統計分析，實變函數9，應用回歸分析，貝葉斯理論與算法，統計計算等；

計算機相關的核心課程：程序設計實習，數據結構與算法，分布與并行計算，算法設計與分析，數據庫概論等；

數學&計算機結合的核心課程：應用時間序列分析，自然語言處理導論，人工智能，深度學習等。

3、區別三：就業方向

（1）統計學

根據統計學就業方向側重點的不同，大致可以分為三大類∶金融類、算法類、數據分析類。

1.金融類

相關職位∶量化投資、風險控制、股票分析師、市場研究員等

量化投資∶負責設計、編寫和測試量化模型，搭建和優化數據系統和策略回測平臺，對量化策略進行邏輯論證、回測評價、風險分析及產品化建議；負責量化FOF產品組合的研究、盡調、業績分析、篩選、監控等。

風險控制：根據社區零售業務制定風控部署全年規劃，對行業風險動態進行監控和快速調整風控策略；深刻理解社區零售業務鏈條，對社區零售業務鏈條的風險做風險評估和風險判斷；結合風控核心指標與業務核心指標，定量分析 處理問題，沉淀通用解決方案（包含營銷安全、價格風險），對風控策略和管控流程進行優化等。

·股票分析師∶負責行業信息和資料的收集、匯總、分析和研究，日常研究報告的撰寫；通過公司平臺服務客戶，為客戶提供行情、投資策略咨詢服務；對行業和公司基本面的有深度的研究，能夠挖掘有價值的投資機會，并形成投資分析報告等。

市場研究員∶ 負責產品營銷策略評估、推廣效果評估的用研工作。洞察用戶轉化的關鍵， 為單品營銷優化提供輸入；針對競品開展增長案例專項研究，識別增長的新機會與手段，并推動在業務側落地等。

2.算法類

相關職位∶數據挖掘工程師、機器學習算法工程師等

數據挖掘工程師∶負責用戶增長、個性化運營、推薦系統相關的數據挖掘工作，包括但不限于人群挖掘、畫像建設、用戶模型等；梳理、提煉、整合能解決業務問題的可復用數據挖掘方案，沉淀形成數據中臺的挖掘工具，持續提高挖掘效率。

機器學習算法工程師：負責構建用戶畫像，分析用戶興趣偏好負責核心業務的數據/算法工作，優化協調過濾算法，挖掘用戶社交關系與潛在社群；負責相關業務的數據分析及增長挖掘工作等。

3.數據分析類

相關職位∶數據分析師、運營分析師、商業分析師等。

數據分析師∶面向特定行業的業務問題/業務目標，建立數據基本指標統計體系描述業務，通過數據分析為上級領導提供決策依據，實現數據的商業意義。

運營分析師∶負責用戶洞察，建立統一的用戶分層和生命周期模型，通過數據挖掘多維用戶特征標簽，發現商業機遇并推動職能團隊落地運營策略；負責市場競爭分析，具有較強的市場分析和洞察能力，基于外部渠道樣本數據采集，建立競對分析模式，提供市場控比趨勢和業務策略建議等。

商業分析師∶深入理解業務邏輯前提下，迭代業務核心指標體系，并推動線上化、產品化；結合內外部信息，輸出有深度洞察力的專題分析，持續迭代業務決策層的業務認知，為策略制定奠定堅實基礎。

二、大數據和傳統統計學的區別？

大數據處理的信息很大，往往一個分析所需的數據分別存儲在數百個服務器中，因此大數據分析就需要協調所需服務器，讓他們按照我們分析的需要進行配合運作，這是他和傳統統計分析的主要不同，在具體方法上，大數據還可能用到數據挖掘的方法，傳統分析法往往事先有個分析目標然后用統計的方法驗證，數據挖掘是通過算法，用計算機分析數據，讓計算機發現數據之間的聯系。兩者大體如此，如果要詳細了解，可以參考相關書籍

三、統計學習與數據挖掘學啥？

統計學習和數據挖掘學習發現數據中的結構。

四、與傳統數據相比 大數據技術特點？

大數據具有靈活性高，透明度大，范圍廣，影響力強

五、大數據安全與傳統數據安全的不同？

大數據安全是國家大數據中心管理的，而傳統數據是某個軟件的應用

六、傳統數據庫與數據庫的區別？

傳統數據庫和數據倉庫其實是及其相似的，都是通過某個軟件或者框架，基于某種數據模型來組織、管理數據。

數據倉庫其實是一種特殊的數據庫，它擅長大數據量查詢分析，數據加工，存儲。而傳統數據庫更加擅長事務處理，增刪改查。

傳統數據庫保存當下數據，而數據倉庫倉庫保存了歷史數據所有狀態。

傳統數據庫會出現頻繁數據更新。而數據倉庫提取加工數據用來反哺業務，提供分析決策。

傳統數據庫擅長事務處理(OLTP)而數據倉庫擅長數據分析。

傳統數據庫主要遵從范式模型（1NF，2NF，3NF，等等），從而盡可能減少數據冗余，保證引用完整性；而數據倉庫強調數據分析的效率，復雜查詢的速度，數據之間的相關性分析，所以在數據庫模型上，數據倉庫喜歡使用多維模型，從而提高數據分析的效率。

傳統數據庫一般是明細數據，而數據倉庫包含一些匯總數據。

七、簡述大數據安全與傳統數據安全的不同？

大數據的安全考量遠比傳統數據復雜得多了！尤其是在單位時間內對大量數據的處理上，相對于傳統數據處理的單一性，在設備，算力以及連接性，需要有更完整的統一標準與體系。

大數據最重要的價值在于體現“準確高效的決策支持”。從數據的采集，預處理，到分析，挖掘，終至結果展現，每一個環節的數據之運算，傳輸，交換，驗證都需要經過嚴密的“授權”，“加解密”的處理，才能保證數據的準確性。

八、傳統數據庫與新型數據庫對比？

傳統數據庫

以關系型數據庫為代表的傳統數據庫以完善的關系代數理論作為基礎，有嚴格的標準，支持事務的ACID四中特性，借助索引機制可以實現高效的查詢、技術成熟，有專業公司的技術支持。

劣勢就是可擴展性比較差，無法較好的支持海量數據存儲。數據模型過于死板、無法較好支持Web2.0應用，事務機制影響力系統的整體性能。

新型數據庫

新型數據庫可以支持超大規模數據存儲，靈活的數據模型可以很好的支持Web2.0應用，具有強大的橫向擴展能力等。

九、大數據與經濟統計學哪個專業好？

經濟統計學專業好。在企事業單位和經濟、金融和管理部門從事統計調查、統計信息管理、數量分析、市場研究、質量控制以及高新技術產品開發、研究、應用和管理工作，或在科研教育部門從事研究和教學工作，綜合經濟管理部門、政府統計部門、經濟和社會研究部門、金融機構、工商企業、數據分析機構、市場調查機構等。

十、統計學與大數據科學哪個就業好？

統計學。

經濟統計是統計學在金融行業的具體應用，主要方向是金融/政府行業。數據科學與大數據技術的部分課程內容包含了統計學知識，但就業面更廣，方向包括互聯網/金融/醫療/物流/交通/零售/制造業等；