1.熟练掌握Linux常用命令，能胜任基础大数据运维工作
2.熟练掌握SQL语法，熟悉MySQL数据库性能优化
3.掌握Java 核心编程，具备大数据应用开发能力
4.掌握Hadoop/spark生态核心技术，可根据需求完成离线或实时大数据应用开发任务
5.掌握Python核心编程，完成数据预处理、可视化的代码编写
6.掌握数据挖掘核心技术，胜任数据挖掘工程师岗位

"1章大数据基础-Java核心编程
2章大数据基础-关系型数据库
3章大数据基础-Linux操作系统
4章大数据核心技术-Hadoop
5章大数据核心技术-Hive
6章大数据核心技术-Spark
7章大数据核心技术-Flink
8章大数据实战综合大型项目"

1. 业务能力
只要在实践领域中做过数据分析，你就会明白在任何分析中最重要的是业务能力。学习和掌握业务知识，需要深厚的积累。一个开发业务专家，背后积累的经验远远超过掌握的基本技能。所以，想要成为更好的数据分析师，需要更深层次的思考和总结，否则只停留在表层。
例如，使用以前的分析报告和示例案例进行研究，如果不理解，就提出问题，这是一个渐进的过程。然而，这需要时间和行业的沉淀。数据分析师不断改进的能力就是有效提高业务知识的方式。
2.思考能力
数据一直都存在，但是它不能说话，所以数据分析师不仅要基于业务能力的理解，学会推理和分析、发现、快速定位关键属性之外，还要懂得开发自己的创新观点，没有思维逻辑数据分析是非常糟糕的。形成独特的见解，是来自于个人的不断学习和思考，在这里学习更强调跨领域和专业，思考更强调思维习惯。
思考本身是一种实践，它可以是你的知识更深入和系统的运用。在某种程度上，“数据分析”从来不是一个“数据分析”本身，而是通过“数据分析”和表象来加深理解、思考和判断。
3.沟通能力
数据分析贯穿整个行业链，数据、技术、业务等等，跨越的过程很长，我们需要面对各种各样的工作，遇到不同的角色，不同的语言时，如果没有数据和业务的桥梁，那么沟通起来就显得很困难。
与此同时，听取别人的意见，尤其是明智的意见，它可以帮助你找到另一条出路，减少犯错误的可能性。
4.数据学习能力
数据学习有一个不好的现象，比如你在看一个案例的时候，往往接触到的只是数据的局部。因此，视野是有限的，在大多数的公司中，许多数据分析师实际上缺乏全局数据视图，因为他们不知道有多少数据。
当然，大多数数据分析师可能不需要进行系统的数据学习，这是在实践中已经习惯的事情，但是自顶向下的数据学习方法将为你提供更好的基础和更全面的数据视图。