学习大数据需要学习机器学习吗？

　　如今，大数据技术的发展使得我们的生活变得更加便利，更加智能化，作为一门交叉型的IT技术，在学习大数据的时候需要学习机器学习吗？
　　机器学习的概念
　　机器学习是一门涉及概率论、统计学、近似理论、凸分析、算法复杂性理论等多领域交叉学科。机器学习是研究计算机如何模拟或实现人类的学习行为，从而获得新的知识或技能，重组现有的知识结构并不断提高其性能。
　　关于机器学习有以下几种定义：
　　机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中提高特定算法的性能。
　　机器学习是对可以通过经验自动改进的计算机算法的研究。
　　机器学习是利用数据或过去的经验来优化计算机程序的性能标准。
　　从以上我们可以看见，机器学习是一门人工智能的科学，在人工智能中是有涉及到大数据技术，人工智能可以这么来解释需要利用大数据技术收集大量的数据并分析其数据集合，再结合机器学习技术来不断地通过学习来改善自身，创造出属于自己的一套模式。
　　然而在机器学习中是涉及到了算法、概率论、统计学等方面的知识，在了解过大数据技术所需要学习的技能知识后，是可以知道大数据技术学习中的技能就包括有算法、概率论及统计学等，比如大数据挖掘所需要学习的技能知识：
　　工程能力
　　a。编程基础：掌握一门大数据处理技术所需要的编程语言，小编优推Java语言；其次就是掌握一门数据库及数据库语言MySQL数据库及SQL语句。
　　b。开发平台：LInux系统（如今主流的大数据技术框架是基于Linux系统开发并运行的）。
　　c。数据结构与算法分析基础：掌握常见的数据结构以及操作（线性表，队，列，字符串，树，图等），掌握常见的计算机算法（排序算法，查找算法，动态规划，递归等）。
　　d。海量数据处理平台：Hadoop或者Spark。
　　算法能力
　　a。数学基础：概率论，数理统计，线性代数，随机过程，最优化理论。
　　b。机器学习深度学习：掌握常见的机器学习模型（线性回归、逻辑回归、SVM、感知机；决策树、随机森林、GBDT、XGBoost；贝叶斯、KNN、Kmeans、EM等）；掌握常见的机器学习理论（过拟合问题、交叉验证问题、模型选择问题、模型融合问题等）；掌握常见的深度学习模型（CNN、RNN等）；
　　c。自然语言处理：掌握常见的方法（tfidf、word2vec、LDA）；
　　可以清楚地看到，在上面对于大数据挖掘方向所需要学习的技能知识包含有机器学习，但不是所有的大数据研究方向都需要学习机器学习，比如大数据开发，大数据开发中更多是涉及到计算机编程方面的知识，仅需要学习前端技术、编程语言、数据库、Linux系统及大数据技术框架。
　　因此学习大数据是否需要学习机器学习是根据大数据的研究方向，也可以说是就业方向来决定的。