it行业分析(想从事IT行业，学习数据分析，学的话会不会难？)

题图来自Unsplash，基于CC0协议

本文目录

正文

1、想从事IT行业，学习数据分析，学的话会不会难？

本人目前从事数据分析工作，可以给你一些建议，其实要说难也不难，我在大学也不是计算机专业，也算是一个纯理科生，最基本的数学知识和逻辑推理还是会的。所以，也要看个人兴趣发展，想学就不要在乎这么多，下面我分享一些我从小白如何成长为一个数据分析师，看完你就觉得这其实一点都不难。

一、最基础的Office技能，跟数据分析相关的也就是Excel和PPT，Excel学习的东西多一些，PPT会根据你的工作经验慢慢提升，一般的公司也不会硬性要求，学习一些最基础的Ppt技能和演说。那对于Excel，本人在大学压根就没认真听，也没去考国家计算机证书，所以毕业那会就是小白一个，那时候就是跟着别人的经验，很多人会在网上分享学习Excel的经验，如果你想学可以关注我，给你分享些资料。Excel学习分为三个五个阶段，也就是五个水平，第一个阶段就是基础应用，一些Excel上操作，比如字体，排序，删除重复项等等包括快捷键；第二个阶段是函数和公式，比如求和，匹配查找，if，条件求和等；第三个阶段就是图表图形，这个如果跟着别人的操作也不难；第四个阶段就是数据透视表了，在数据分析当中还是占很大的比重，如果花经历去学习；最后一个阶段就是VBA，这部分学好了你就是精通Excel，那你到哪里你都没问题，这部分会的不多，因为难度系数蛮大的，所以在一般的招聘中也不会硬性要求，会的话你的工作量会轻松很多。

二、数据库技术sql，这也是基础技能，总结一下就是增删查改，做数据分析用的多也就是查询语句了，这一点学起来也不是很难，关联是要看具体的业务，准备面试的时候刷刷一些面试题就没问题，这方面的知识可以在Wschool上学习，挺不错的，很详细。如果有不懂的，欢迎交流。

三、统计学知识，只要你是理科生在大学必然学习过概率论与数理统计，对就是这里面的知识点，说实话数学这东西其实是计算机里面的核心，也就是算法，学数学的人是很有优势的，这方面的学习在平时，因为一时是理解不了的，理论一定要结合在实践当中不断去试错。

四、Python或者R任选吧，这个看个人，但我觉得Python会更好点，因为Python可以做更多的事情，包括爬虫，比如你要分析杭州在今年的房价走势，你就可以爬取链家网的数据进行分析，通过这样的项目可以加强对业务，技术上理解。对于Python的学习，最好买本书，毕竟学习一门新语言也是需要花时间的。但这门语言比Java容易，一些数据类型，数据结构，这些都是相通的，学习Python要花时间多的是在对Pandas，Numpy 等数据分析包的学习。

五、分析方法，这方面可以看一些书籍比如深深入浅出数据分析，用Python进行数据分析，增长黑客等常来阅读，可以扩展我们的思维。

综上所述，学习数据分析，还是挺多的东西，上面的东西只是最基础的，还有一些比如数据可视化，Bi 等一些商业软件的学习，说这么多并不是来吓唬大家，但是扩列出来后，制定目标一个一个去学习，坚持一段时间收获就是你的，欢迎一起学习。加油！

2、目前IT的前景怎么样？

IT行业的方位很广，能就业的方向也很多。

软件类：JAVA程序员，C语言程序员，VC程序员 等等很多

硬件类：单片机编程，嵌入式编程等等

维护类： 服务器维护，大数据维护等等

看你要往哪个方向发展了，是软件类还是硬件类，还是维护类。个人觉得，软件类还是不错的选择。首先软件学习投入的资金是比较少的，只要有一个电脑就可以搞定。干个几年有经验了，在北上广深，挣个2万不成问题。

学习硬件吧，投入的资金是比较多的，各种实验设备，仪器仪表，还有元器件，反正是要想学好硬件，就得自己搭建电路，才能真正的学习好。还有一个问题，以后都集成化了，就需要几个芯片就可以，而芯片的外围电路芯片厂家都提供好了，也不需要设计了。只要按照厂家提供的图纸，绘图，制版就可以了。

关于维护类的，服务器维护，大数据维护，都是比较辛苦的，年龄大了，是干不了的。

看你自己需求了，不过干IT行业是不会失业的。工作的机会比较多的。

以后会有好多行业会被人工智能取代的。只有干技术类的工作，不需要重复的工作才有可能不被淘汰。所以我觉得做IT行业还是不错的选择。

云计算、物联网和人工智能在以后都会有不错的发展，您可以考虑下这三个方向，当然是大方向，你需要找到自己喜欢的细分领域。

希望我的回答能帮助到你。

3、目前来说，IT行业什么岗位比较好找工作？

IT行业目前比较火爆， 但是对于IT岗位的选择一直都是热门话题。

金字塔供需关系图：

一般而言，IT 行业供需关系可以比喻为一个金字塔型供需关系图。IT开发人员需求量大的供应量也大，如web 前端开发、java 后端开发等；金字塔向上需求量少供应量也少，如算法工程师、桌面程序开发工程师等这些岗位市场需求相对减少，但供应量也少。一般建议先选择长期符合金字塔供需关系且稳定的岗位，等到对自身技术和行业有进一步的认识，再做下一步抉择。

web前端：

web前端（基础核心HTML + css + JavaScript + DOM 模型+ BOM 模型+盒子模型等）是前几年从后端逐渐分离出来的开发方向。前端技术相对入门简单，市场需求量大，容易找工作。一般是IT刚入行或转行做IT的绝佳技术路线。前端的技术分支框架更新迭代极快，特别是前几年，可以用百花齐放、百家争鸣来形容。目前由于市场的沉淀，眼花缭乱的框架分支相对少了点，当前vue 、angularjs 、react等等都是不错的前端技术框架。web前端市场需求量大供应量也大，市场供需关系稳定。

后端开发：

后端开发种类繁多，像java 开发、php 开发、Python 开发、C#开发等后端开发，是目前流行开发方向，学习门槛相对于前端稍微有些难度，但市场需求量大供应量也大，拥有大量开发用户基数，市场供需关系稳定。

大数据开发：

大数据开发这些年比较流行，但是它一般不适合IT刚入门同学。现目前从业者多为其他软件开发岗转过去的。市场供应量少，需求量也少，市场供需关系不稳定。

人工智能：

最近比较火爆的软件开发岗位，学习台阶高，市场需求量”很大”，但真正需求的都是高质量的开发者，目前很多都是噱头，打着人工智能的旗号，干着普通软件开发的工作。所以市场真正需求量少，真实的供应量也少，市场供需关系相对不稳定。

总结：

首先，像C/C++、JAVA 开发、web前端开发等等相对传统开发领域，目前市场需求量大且稳定。

其次，像专业领域软件开发、算法、操作系统开发等开发领域。市场供需量少，但供应量也少，供需稳定。

再者，像大数据开发、人工智能开发等开发领域，市场火爆，不可否认，以后是开发趋势之一，但市面大都是“表面繁华”，真正供需都很少。供需关系不稳定。

最后，IT行业的岗位分析还要和自己的兴趣爱好结合，根据自身的具体情况制定技术进阶路线。

个人愚见，仅供参考！

希望能帮到你！

4、现在IT行业怎么样？

总体来说还不错，但传统的IT趋于颓废状态，如：传统的信息技术，信息处理和服务产业，互联网开发……；新兴的IT行业正在新起，如：大数据，云计算，信息安全，VR，人工智能，无人机……；

经过这几年国家大力培养IT人才，IT人才已经不是当初的那样紧缺了，企业现在用人一般对IT知识所熟知的比比皆是，如果想寻找高科技人才那还是要花费一番功夫的。

IT行业未来领域的发展方向来看，趋于智能，物联网，互联网，信息，数据…的发展方向，目前，我国IT行业总体薪水偏高，地位高，没有性别歧视和年龄的限制。国家新兴IT技术型人才正在以每年20%的速度在增长，这些人才正式国家紧缺型人才，此类新兴IT技术人才需求大，人才紧缺，前进好！希望可以帮到你。

5、IT行业的工作怎么样，年薪大概多少呢？

It行业有起步期，黄金期和衰退期。一般起步期的话，就是指刚入行的那一段时间，经验少，工资的话一般不会太高。黄金期的话一般是指工作4~8年，这段时间体力好经验丰富，年薪会相对来说比较高。衰退期的话，一般是指程序员30岁以后如果没有转岗管理岗位，职业道路会比较艰难。每个城市年薪不一样。工作经验也会影响到你的年收入。但总体来说年收入一般可以维持在10~20万之间。回答满意希望可以给个赞和关注哦，个人日常分享数码评测，欢迎来主页看一看。

6、it行业前景分析？

IT行业发展日趋迅猛，IT产业的产值成倍增长，发展必然带来人才的需求，因此众多人群想要进入IT行业发展。

7、什么是IT行业？发展前景如何？

目前最热门的IT行业分支是人工智能行业。

“人工智能”实际上是统计学的一种，很多种智能算法都可以被称为“不可解释的统计推断”，虽然被广泛运用在各行各业之中，但是因为智能算法参数的知识对人类来讲无法理解，所以限制了自身的进步。

虽然AI这个词是上世纪50年代被人提出的，但是人类试图创造类人智能的努力一直没有停止。我对于具体的事件记不清楚，所以在这里大多使用的都是侧面反映制造类人智能努力的事件。

文艺复兴时代16世纪达芬奇就有设计机器人的手稿，设计了可以发声和挥动肢体的机器武士。

18世纪时候出现了一个魔术，由机械机器人和人类棋手对弈的表演“土耳其行棋傀儡”。傀儡进行了无数次表演，击败了当时大多数国际象棋棋手，直到19世纪中期才被揭露其中的原理，反应了当时民众相信科技水平足以制造类人机械以及对于制造类人机械的努力。

在20世纪到来之前，一直在用机械手段试图去实现类人机器，20世纪开始转为结合电气手段。

20世纪初期，卓别林喜剧 摩登时代 里，有机器人喂他吃东西，包括理发等等。

这些努力在当时的历史时期里都没有被视为荒谬的尝试，科学家与全社会民众对于科技水平与工程工资满怀信心。在不具备电子计算机的时代里，就消耗了大量的社会资源。类似的创新没有实现他们原本的目的，但是带动了机械工业的发展。

后面的历史可以在wiki查到。

人工智能1956年被人提出70年代感知器模型强化学习算法出现，一大批人又一次相信类人智能可以由这些算法实现，最终这类算法能实现的任务领域狭窄，计算能力与内存等硬件也存在瓶颈，人工智能陷入低谷。

80年代专家系统出现，核心是一种基于决策树的分类模型，由于专家系统具备使用价值，流行一时。东野圭吾的小说里也提到日本企业80年代最流行的就是建设专家系统以保留技术能手的知识，但很快被发现应用情景过于特定，90年代这类系统就不再成为热点。

在专家系统兴盛的同时，有人改进了感知器模型，将原有的感知器模型串联或并联，形成神经网络模型。BP算法的出现使得对神经网络的研究再次复活，BP意味着误差反传，网络结构里“隐节点”的加入对训练模型产生了大的改进。90年代的论文里，神经网络红极一时，可以解决很多问题。但是神经网络的学到的网络参数难以解释，调节参数对结果有很大影响，使得调参被看做一门科学之外的学问。

与神经网络同时兴盛的是“群智能”，最初是模拟生物进化的遗传算法，随后各类型群体智能算法仿照遗传算法诞生。群智能比起神经网络算法更加玄学，各类参数初始值设置不同可以得出不同的结论，以至于发展出解释初值影响结果的“种群早熟”、“步长”之类的术语。

智能算法由于需要样本多，训练时间长，学习效果难以保证，问题难以解释等等原因，应用领域也极为狭窄。改造这时期的智能算法并应用于现实的努力逐渐陷入低谷。

21世纪初在计算能力出现深度学习之前，国内主是学生做数学建模比赛使用这类智能算法。深度学习是在硬件计算能力大幅度提高之后，通过增大神经网络的规模，扩展出多层“隐含层”来提高神经网络结果。严格来说多层神经网络的构想在上世纪就有模型，受限于硬件计算能力而难以实现。

深度学习目前被广泛用在过去神经网络应用的范畴里，也被寄予厚望，希望突破获得类人智能。高效完成传统神经网络的任务是可行的，但是突破类人智能很可能是徒劳无功。因为目前提高效果是通过增加计算量实现的，每增加一层隐含层需要优化的参数都会增长，计算量的增长是非线性的。

使用今天突破的硬件去跑上世纪的模型算法，优化众多效果不明的参数，获得不可解释的统计推断结论。这种模式可以取得有意义的结论，但是依赖硬件提高性能的模式不可持续，如果模型不能取得创新，陷入冬天只是时间问题。