（此文改编自我在知乎上的一个回答）
这两年，随着数据的作用被越来越多的公司重视，数据人才的需求水涨船高。其中，数据分析挖掘这个分支上，企业的招聘需求也是越来越多。打开招聘网站，上面有很多”数据分析师“”数据挖掘工程师“的职位，那么这两个看上去很像的职位，究竟有啥区别呢？
为了让大家更容易理解，我用基于《龙与地下城》基础上的游戏《无冬之夜》中的两个职业来类比：数据分析师=圣骑士，数据挖掘工程师=托姆勇士。
圣骑士的特点，一句话就能概括：面面俱到。可身披重甲，冲锋在前；亦可感神恩，增强队友；更可魅力爆棚，嘴炮连珠。
数据分析师
的精髓是知识面的广泛性和快速学习的能力，与圣骑士的特点完全契合。
数据分析师（圣骑士）能力介绍：
基础属性（知识体系）：
力量（统计学相关内容），敏捷（干活快，反应快，总是慢半拍的分析师不好混……），体力（真的是得有个好身体=。=分析师很累的），智力（不说了……），感知（业务理解能力，快速学习能力），魅力（沟通协调能力）；
擅长武器（分析工具）：
钉头锤（EXCEL，泛用性高，日常问题70%以上能解决掉），盾牌（SQL，有最好没有也成，用双手武器呗=。=），长剑（SPSS/SAS，一把也成两把也成，但你总得有一把），大剑（R，用好了理论上讲可以代替之前的所有工具，不会用也能干活），等等（matlab，state，python，都可以学学，尤其是python，学会之后抓取和清洗数据）；
擅长防具（其他工具）：
重甲（PPT，这是立身之本）；
职业能力（软实力）：
圣光（靠展现逻辑和各种数据可视化晃瞎听众的眼，给己方撑腰），交涉（让工程师帮你取数据，串分析的逻辑线讲故事忽悠听众，跟客户斗智斗勇，都得靠一张嘴），等等。
托姆勇士会制造和修理专精的武器，更擅长使用武器进行战斗，也会使用一些神术、而对于数据挖掘工程师来说，代码能力就是他们手中的专精武器。
数据挖掘工程师（托姆勇士）能力介绍：
基础属性（知识体系）：
力量（数学基础，统计学基础，算法基础，以上都得懂原理），敏捷（也要快），体力（这个要写代码，更要好身体），智力（同上），感知（技术知识学习能力，需求理解能力），魅力（沟通能力差点也问题不算太大，可以走纯技术路线，当然有更好）；
擅长武器（挖掘工具）：
这个要看你想练什么，常用几种武器：大斧（Python，能解决的问题多），大剑（R，解决问题犀利），战锤（Hadoop，都挖掘工程师了怎么着也得挖掘大数据吧，几百GB起步的那种），等等（这部分我用过的少，可能说的不全，不过以上这三种比较常见，据说有用C语言做数据挖掘的，只能膜拜）；
擅长防具（其他工具）：
有没有都行，你穿个重甲（PPT）也成，穿个中甲（process等可视化工具）也成，穿个轻甲（信息图）也成，不穿护甲多拿几件武器也成（……）；
职业能力（硬实力）：
制造武器（建模，工具化，写代码，写算法），修复武器（改进模型，改进工具，改进代码，改进算法=。=），等等。
综上，数据分析师和数据挖掘工程师，看上去很相似，但其实两者的能力体系还是有很大差别的，希望在数据分析挖掘领域有所建树的小伙伴们，请不要加错点哦~
最后一个问题，作者本人是圣骑士还是托姆勇士？订阅号的名字已经给出答案了哈~
本文来自微信公众账号提交，由微信啦收录，转载请注明出处。
微信扫码 分享文章数据挖掘师与数据分析师有什么区别和联系?-中国学网-中国IT综合门户网站
> 信息中心 >
数据挖掘师与数据分析师有什么区别和联系?
来源：互联网 发表时间： 0:05:01 责任编辑：王亮字体：
为了帮助网友解决“数据挖掘师与数据分析师有什么区别和联系?”相关的问题，中国学网通过互联网对“数据挖掘师与数据分析师有什么区别和联系?”相关的解决方案进行了整理,用户详细问题包括:RT,我想知道:数据挖掘师与数据分析师有什么区别和联系?，具体解决方案如下：解决方案1：我是大三本科生，以后想从事这方面的工作解决方案2：1、“数据分析”的重点是观察数据，而“数据挖掘”的重点是从数据中发现“知识规则”KDD(Knowledge Discover in Database);
2、“数据分析”得出的结论是人的智能活动结果，而“数据挖掘”得出的结论是机器从学习集(或训练集、样本集)发现的知识规则;
3、“数据分析”得出结论的运用是人的智力活动，而“数据挖掘”发现的知识规则，可以直接应用到预测。
4、“数据分析”不能建立数学模型，需要人工建模，而“数据挖掘”直接完成了数学建模。如传统的控制论建模的本质就是描述输入变量与输出变量之间的函数关系，“数据挖掘”可以通过机器学习自动建立输入与输出的函数关系，根据KDD得出的“规则”，给定一组输入参数，就可以得出一组输出量。
3个回答1个回答1个回答1个回答2个回答3个回答3个回答1个回答1个回答1个回答1个回答1个回答1个回答1个回答1个回答1个回答1个回答1个回答1个回答
相关文章：
最新添加资讯
24小时热门资讯
Copyright © 2004- All Rights Reserved. 中国学网 版权所有
京ICP备号-1 京公网安备02号本站为您推荐的文章
您可能感兴趣的文章
CDA数据分析师_Python_数据整理
CDA数据分析师视频_Python专题19
Copyright & ,
All Rights Reserved. CDA数据分析师 版权所有 京ICP备号-9苹果/安卓/wp
积分 36623, 距离下一级还需 19272 积分
权限: 自定义头衔, 签名中使用图片, 设置帖子权限, 隐身, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡, 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
本帖最后由 widen我的世界 于
16:28 编辑
告诉你：如何通过自学成为“高手”
　　基础篇：
　　1. 读书《Introduction to Data Mining》，这本书很浅显易懂，没有复杂高深的公式，很合适入门的人。另外可以用这本书做参考《Data Mining : Concepts and Techniques》。第二本比较厚，也多了一些数据仓库方面的知识。如果对算法比较喜欢，可以再阅读《Introduction to Machine Learning》。
17:32:16 上传
　　2. 实现经典算法。有几个部分：
　　a. 关联规则挖掘 (Apriori, FPTree, etc.)
　　b. 分类 (C4.5, KNN, Logistic Regression, SVM, etc.)
　　c. 聚类 (Kmeans, DBScan, Spectral Clustering, etc.)
　　d. 降维 (PCA, LDA, etc.)
　　e. 推荐系统 (基于内容的推荐，协同过滤，如矩阵分解等)
　　然后在公开数据集上测试，看实现的效果。可以在下面的网站找到大量的公开数据集：
17:32:15 上传
　　3. 熟悉几个开源的工具: Weka (用于上手); LibSVM, scikit-learn, Shogun
上参加几个101的比赛，学会如何将一个问题抽象成模型，并从原始数据中构建有效的特征 (Feature Engineering).
　　到这一步的话基本几个国内的大公司都会给你面试的机会。
17:32:13 上传
　　进阶篇：
　　1. 读书，下面几部都是大部头，但学完进步非常大。
　　a.《Pattern Recognition and Machine Learning》
　　b.《The Elements of Statistical Learning》
　　c.《Machine Learning: A Probabilistic Perspective》
17:32:12 上传
　　第一本比较偏B第二本比较偏F第三本在两者之间，但我觉得跟第一本差不多，不过加了不少新内容。当然除了这几本大而全的，还有很多介绍不同领域的书，例如《Boosting Foundations and Algorithms》，《Probabilistic Graphical Models Principles and Techniques》;以及理论一些的《Foundations of Machine Learning》，《Optimization for Machine Learning》等等。这些书的课后习题也非常有用，做了才会在自己写Paper的时候推公式。
17:32:11 上传
　　2. 读论文。包括几个相关会议：KDD，ICML，NIPS，IJCAI，AAAI，WWW，SIGIR，ICDM;以及几个相关的期刊：TKDD，TKDE，JMLR，PAMI等。跟踪新技术跟新的热点问题。当然，如果做相关research，这一步是必须的。例如我们组的风格就是上半年读Paper，暑假找问题，秋天做实验，春节左右写/投论文。
　　3. 跟踪热点问题。例如最近几年的Recommendation System，Social Network，Behavior Targeting等等，很多公司的业务都会涉及这些方面。以及一些热点技术，例如现在很火的Deep Learning。
17:32:10 上传
　　4. 学习大规模并行计算的技术，例如MapReduce、MPI，GPU Computing。基本每个大公司都会用到这些技术，因为现实的数据量非常大，基本都是在计算集群上实现的。
　　5. 参加实际的数据挖掘的竞赛，例如KDDCUP，或
上面的竞赛。这个过程会训练你如何在一个短的时间内解决一个实际的问题，并熟悉整个数据挖掘项目的全过程。
17:32:07 上传
　　6. 参与一个开源项目，如上面提到的Shogun或scikit-learn还有Apache的Mahout，或为一些流行算法提供更加有效快速的实现，例如实现一个Map/Reduce平台下的SVM。这也是锻炼Coding的能力。
　　到这一步国内的大公司基本是想哪去哪，而且待遇也不差;如果英语好，去US那边的公司难度也不大了。
17:32:02 上传
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
写的非常好，受用了！谢谢！
楼主好强大。。。。
不错的样子
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师