文/北媽

閱讀本文需要 4.5分鐘

一
最近又有讀者，問我要不要轉去學大數據，好像前端和大數據一點不沾邊.... 說實話我是無語的

文長，需耐心看完，讀時有耐心，看完有信心。

這幾年大數據和機器學習一直很熱門，而且凡是和大數據沾邊的行業或者公司，好像很牛x的樣子。

并且很多人一直有個誤區：后端才和大數據、機器深度學習、數據模型有關系，前端總插不上手。

而且很多人擔憂再往后，前端給淘汰了，大數據吃香，薪水高，然后打算紛紛轉大數據試試水。

其實，北媽早說過，你錯了，前端在未來幾十年都是熱門和不可或缺的存在。

其實結論是：你壓根不用轉大數據，而是大數據本身就離不開前端數據可視化，只不過我們要做的是要學習并了解他們的關系。

就像汽車剛出來是煤氣發動，后來是蒸汽機發動，后來是現在的汽油、電混合動力，后面是無人駕駛、純電動或者高效能源。

只不過不同時代換了不同形態去驅動，但汽車本身并不會消失，人們也不可能離開汽車。

web前端由于所見所得的特殊性，在各行各業都有至關重要的作用和展現，只不過，后面的前端越來越偏向工程化、全面化和領域細分。

就算之后，機器統治了世界，web前端開發領域也不會消息，更不會沒落，除非，人 都瞎了。

下面我摘一段 阿里數據可視化組工程師的一篇文章的部分段落，大家可以感受一下。

二

《大數據浪潮下的前端工程師》

馬云曾經說過『人類正從IT時代走向DT時代』。

正如他說言，今天幾乎所有的互聯網公司背后都有一支規模龐大的數據團隊和一整套數據解決方案作決策。

這個時代已經不是只有硅谷巨頭才玩數據的時代，是人人都在依賴著數據生存，可以說如今社會數據價值已經被推到前所未有的高度。

我作為一名前端工程師在阿里巴巴數據團隊工作多年，深入了解數據生產加工鏈路與產品化。我們這群前端是與界面最近的工程師們

完整數據鏈路

首先，我用直觀的一張圖繪制出數據采集到產出的流程，中間省略技術細節。

業界常提到的 Hadoop，Spark，Druid 都在用戶側的下方，也就是數據研發與數據挖掘職能的工作。相對于前端職能而言，一定是與輸出終端相關，包括本職工作數據類產品的研發。

如阿里指數或百度指數這樣的數據展示型產品，還有較為復雜的 BI 工具等，細分起來，最特別的工作應該是數據采集和數據可視化的工作。

但到今天而言，數據研發工程師已經很難說只精通其中一種技術。

任何一環深入下去都涉及到整條鏈路的打通，我就從數據采集，數據可視化，數據產品研發到人工智能幾個板塊來寫寫我的體會與經驗。

數據采集

過去還是流量為王的年代，流量就意味著錢，互聯網都用著簡單粗爆的方式導流。

在過去做過站長的對數據采集已然不陌生，包括著名的第三方平臺 CNZZ（現友盟+） 和 google analytics 兩個平臺幾乎都使用過。

Web 端的數據采集的鏈路從客戶端或后端開始一直到存儲結束。因此，數據采集這個動作涉及到了前端，客戶端，數據研發，產品經理等職位的參與。

在這個過程中，前端工程師的工作集中在不同客戶端上（PC、iOS、Android）的信息收集及埋點上。

此外，業務反饋還可以從前端本身看，前端需要的穩定性指標也是從界面上采集到的，比如加載性能、JS 報錯等。大規模應用背后開發一般都有自己的監控平臺，而前端的監控就從用戶界面開始。

數據可視化

經過清洗，計算與存儲后達到數據展現的階段。無論是面向哪個群體的數據產品都繞不開對數據的可視化，可以說產品端除了考慮分析鏈路或操作鏈路外，最重要的工作就是如何更好的反應它們

可視化在其中至關重要。

數據可視化絕不是單純的視覺，也不是單純的圖表，它是幫助人類從原始信息中做到對信息有一定程度的認知，任何可視化手段都為了這個過程，而非結果。

數據可視化對于我們而言其實是一個跨界的領域，交互視覺知識遠遠不夠，還還涉及硬件、客戶端編程、數據分析、機器學習等領域。

我們看過形形色色的圖表，可視化圖表是從數據 -> 清洗 -> 交互 -> 視覺 -> 開發的整個過程下創造的。

但餅圖還有一個致命的問題就是不能反應時間維度的變化。加入時間維度的分析，等于加入了變化的趨勢，不再是定量分析，這時候用堆積面積圖（Stacked Area Chart）是最合適的。

回到我說的原則了，即直觀又豐富表示了我們盡可能的展示我們所能提供的數據，用一種最直觀的形式。

三
算法領域

再說到算法領域，在分析領域我們已經看到會引入像聚類的可視化手段。而在更底層的算法領域其實早就在利用可視化做工作了。

這里就提到了可視化在算法領域的主要工作之一——模型評估。

對于一個場景而言，比如定性分析用戶的類別，我們可能會同時跑邏輯回歸或決策樹多個算法，怎么知道我們的算法欠擬合或過擬合呢，當然可以直接看結果。

更好的方式就是通過可視化的方式直觀的對比。此外，以下還會提到深度學習中的應用。

另外，算法過程可視化近年來慢慢流行起來。這個頁面就展示了決策樹的可視化過程。

對算法過程作可視化對于非專業人員去理解算法來說很有必要。

一方面可以作為算法在學?；蚬ぷ髦械慕虒W輔助，另一方面可以給非專業人員講解算法的運算過程。

前端與人工智能

最后，講講前端在 AI (人工智能) 時代的位置。目前，前端涉及到 AI 的主要是算法數據可視化，這一點在上述也講到了。

很有意思的是，去年我們在做一款前端監控平臺也涉及到了機器學習。我們都知道常規異常報警思路是一旦發生錯誤就發生通過。

傳統異常檢測是機器學習算法的一個常見應用，利用多維度的值的分布符合某個參數的正態分布來判斷。

但前端錯誤本身，我們無法判斷是否會造成影響，有時只是一個報錯而已，需要前端工程師自己去排查，這一點與傳統異常檢測的思路就不一樣。

我們就利用出現的規模，時長，影響人數等因素利用統計學中的3σ原則，當然，進一步我們利用特征工程的方法實時來檢測錯誤的影響程度。

除了在穩定性方面，只要是生產力工具都可以去思考是否讓 AI 改變我們的開發現狀。這個地方留給所有的工程師思考。

總結設想

不論講到采集還是可視化，還是做數據產品，我都想講兩點：

第一，數據的完整鏈路。沒有『好』的數據，沒有看到其中的意義，沒有這條鏈路中清洗計算部分，都是沒有意義的，這也說明

前端工程師專注在一個領域，不等于只看到冰山一角。

第二，不同的思考方式。就說可視化與機器學習，從某種意義上來說思路完全相反，可視化需要人類從感知數據到認知數據，而機器學習是通過大量樣本學習得到結論。

現在的科技由機器學習的技術還無法做到的事，都還會通過類似于可視化的方式傳遞給人類。

如果某一天機器也可以做到能理解世界，那么真正的人工智能就來到了。

因此，人工智能今天還是技術，也是思路，我們可以用在任何環節，不論是哪個崗位的工程師都應該掌握。

在過去，前端的工作只與界面相關，而今天前端在一定程度上已經具備了全棧開發的能力，前端工具化平臺化已經很常見，可以利用機器學習完善工具。

今天立足在 Web 領域我們是有優勢的，那么在其它領域呢，我們今天的技能是否做到了編程語言與平臺不受限。

由此也看到前端工程師在大數據時代涉及的一些工作非常需要有綜合能力。

前端工程師的基礎能力從過去縱深到現在更趨向于 T 字型發展。我相信這是未來工程師們的基本形態。

四

重點來了

那么說了這么多，但是學海無涯， 北媽向大家清楚的解釋和分析了前端和大數據行業的關系和發展領域

大數據到底可以干什么，這么海量的數據也造就了無數工作機會，我們怎么第一時間掌握技術棧 把握住？

這些疑問，我也收到很多，那么今天找了一個專門研究大數據的高手，統一給大家回復，他的機構也是專門研究和教授大數據技術和從業指導，我相信對有心人是極有幫助，我上邊講解的這些也都有交。

如果你感興趣和問題就?識別二維碼加他吧，畢竟術業有專攻。

另外加他咨詢，可以領取?1024G大數據資料

1024G 會員專屬資料共享：內容涵蓋“大數據基礎入門與學習線路”、“Oracle高級技術總監帶你學習大數據”、“Hadoop全分布式搭建”、“Hadoop DataBase與Google論文BigTable”、“Hive的執行計劃/典型的實時計算架構”、“大數據實戰應用案例”等，價值3W全套視頻源碼免費發放！

還是那句話：有需要的可以聯系，沒需要的也可以了解或者無視。

掃碼下方二維碼添加詢問

總結

以上是生活随笔為你收集整理的前端转行大数据？没必要的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。