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(zhuǎn)去學(xué)大數(shù)據(jù)，好像前端和大數(shù)據(jù)一點(diǎn)不沾邊.... 說實(shí)話我是無語的

文長，需耐心看完，讀時(shí)有耐心，看完有信心。

這幾年大數(shù)據(jù)和機(jī)器學(xué)習(xí)一直很熱門，而且凡是和大數(shù)據(jù)沾邊的行業(yè)或者公司，好像很牛x的樣子。

并且很多人一直有個(gè)誤區(qū)：后端才和大數(shù)據(jù)、機(jī)器深度學(xué)習(xí)、數(shù)據(jù)模型有關(guān)系，前端總插不上手。

而且很多人擔(dān)憂再往后，前端給淘汰了，大數(shù)據(jù)吃香，薪水高，然后打算紛紛轉(zhuǎn)大數(shù)據(jù)試試水。

其實(shí)，北媽早說過，你錯(cuò)了，前端在未來幾十年都是熱門和不可或缺的存在。

其實(shí)結(jié)論是：你壓根不用轉(zhuǎn)大數(shù)據(jù)，而是大數(shù)據(jù)本身就離不開前端數(shù)據(jù)可視化，只不過我們要做的是要學(xué)習(xí)并了解他們的關(guān)系。

就像汽車剛出來是煤氣發(fā)動(dòng)，后來是蒸汽機(jī)發(fā)動(dòng)，后來是現(xiàn)在的汽油、電混合動(dòng)力，后面是無人駕駛、純電動(dòng)或者高效能源。

只不過不同時(shí)代換了不同形態(tài)去驅(qū)動(dòng)，但汽車本身并不會(huì)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(yè)都有至關(guān)重要的作用和展現(xiàn)，只不過，后面的前端越來越偏向工程化、全面化和領(lǐng)域細(xì)分。

就算之后，機(jī)器統(tǒng)治了世界，web前端開發(fā)領(lǐng)域也不會(huì)消息，更不會(huì)沒落，除非，人 都瞎了。

下面我摘一段 阿里數(shù)據(jù)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(shù)據(jù)浪潮下的前端工程師》

馬云曾經(jīng)說過『人類正從IT時(shí)代走向DT時(shí)代』。

正如他說言，今天幾乎所有的互聯(lián)網(wǎng)公司背后都有一支規(guī)模龐大的數(shù)據(jù)團(tuán)隊(duì)和一整套數(shù)據(jù)解決方案作決策。

這個(gè)時(shí)代已經(jīng)不是只有硅谷巨頭才玩數(shù)據(jù)的時(shí)代，是人人都在依賴著數(shù)據(jù)生存，可以說如今社會(huì)數(shù)據(jù)價(jià)值已經(jīng)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(shù)據(jù)團(tuán)隊(duì)工作多年，深入了解數(shù)據(jù)生產(chǎn)加工鏈路與產(chǎn)品化。我們這群前端是與界面最近的工程師們

完整數(shù)據(jù)鏈路

首先，我用直觀的一張圖繪制出數(shù)據(jù)采集到產(chǎn)出的流程，中間省略技術(shù)細(xì)節(jié)。

業(yè)界常提到的 Hadoop，Spark，Druid 都在用戶側(cè)的下方，也就是數(shù)據(jù)研發(fā)與數(shù)據(jù)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(guān)，包括本職工作數(shù)據(jù)類產(chǎn)品的研發(fā)。

如阿里指數(shù)或百度指數(shù)這樣的數(shù)據(jù)展示型產(chǎn)品，還有較為復(fù)雜的 BI 工具等，細(xì)分起來，最特別的工作應(yīng)該是數(shù)據(jù)采集和數(shù)據(jù)可視化的工作。

但到今天而言，數(shù)據(jù)研發(fā)工程師已經(jīng)很難說只精通其中一種技術(shù)。

任何一環(huán)深入下去都涉及到整條鏈路的打通，我就從數(shù)據(jù)采集，數(shù)據(jù)可視化，數(shù)據(jù)產(chǎn)品研發(fā)到人工智能幾個(gè)板塊來寫寫我的體會(huì)與經(jīng)驗(yàn)。

數(shù)據(jù)采集

過去還是流量為王的年代，流量就意味著錢，互聯(lián)網(wǎng)都用著簡單粗爆的方式導(dǎo)流。

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

Web 端的數(shù)據(jù)采集的鏈路從客戶端或后端開始一直到存儲結(jié)束。因此，數(shù)據(jù)采集這個(gè)動(dòng)作涉及到了前端，客戶端，數(shù)據(jù)研發(fā)，產(chǎn)品經(jīng)理等職位的參與。

在這個(gè)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(diǎn)上。

此外，業(yè)務(wù)反饋還可以從前端本身看，前端需要的穩(wěn)定性指標(biāo)也是從界面上采集到的，比如加載性能、JS 報(bào)錯(cuò)等。大規(guī)模應(yīng)用背后開發(fā)一般都有自己的監(jiān)控平臺，而前端的監(jiān)控就從用戶界面開始。

數(shù)據(jù)可視化

經(jīng)過清洗，計(jì)算與存儲后達(dá)到數(shù)據(jù)展現(xiàn)的階段。無論是面向哪個(gè)群體的數(shù)據(jù)產(chǎn)品都繞不開對數(shù)據(jù)的可視化，可以說產(chǎn)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(yīng)它們

可視化在其中至關(guān)重要。

數(shù)據(jù)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(rèn)知，任何可視化手段都為了這個(gè)過程，而非結(jié)果。

數(shù)據(jù)可視化對于我們而言其實(shí)是一個(gè)跨界的領(lǐng)域，交互視覺知識遠(yuǎn)遠(yuǎn)不夠，還還涉及硬件、客戶端編程、數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等領(lǐng)域。

我們看過形形色色的圖表，可視化圖表是從數(shù)據(jù) -> 清洗 -> 交互 -> 視覺 -> 開發(fā)的整個(gè)過程下創(chuàng)造的。

但餅圖還有一個(gè)致命的問題就是不能反應(yīng)時(shí)間維度的變化。加入時(shí)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(shí)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(shù)據(jù)，用一種最直觀的形式。

三
算法領(lǐng)域

再說到算法領(lǐng)域，在分析領(lǐng)域我們已經(jīng)看到會(huì)引入像聚類的可視化手段。而在更底層的算法領(lǐng)域其實(shí)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(lǐng)域的主要工作之一——模型評估。

對于一個(gè)場景而言，比如定性分析用戶的類別，我們可能會(huì)同時(shí)跑邏輯回歸或決策樹多個(gè)算法，怎么知道我們的算法欠擬合或過擬合呢，當(dāng)然可以直接看結(jié)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(huì)提到深度學(xué)習(xí)中的應(yīng)用。

另外，算法過程可視化近年來慢慢流行起來。這個(gè)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(yè)人員去理解算法來說很有必要。

一方面可以作為算法在學(xué)校或工作中的教學(xué)輔助，另一方面可以給非專業(yè)人員講解算法的運(yùn)算過程。

前端與人工智能

最后，講講前端在 AI (人工智能) 時(shí)代的位置。目前，前端涉及到 AI 的主要是算法數(shù)據(jù)可視化，這一點(diǎn)在上述也講到了。

很有意思的是，去年我們在做一款前端監(jiān)控平臺也涉及到了機(jī)器學(xué)習(xí)。我們都知道常規(guī)異常報(bào)警思路是一旦發(fā)生錯(cuò)誤就發(fā)生通過。

傳統(tǒng)異常檢測是機(jī)器學(xué)習(xí)算法的一個(gè)常見應(yīng)用，利用多維度的值的分布符合某個(gè)參數(shù)的正態(tài)分布來判斷。

但前端錯(cuò)誤本身，我們無法判斷是否會(huì)造成影響，有時(shí)只是一個(gè)報(bào)錯(cuò)而已，需要前端工程師自己去排查，這一點(diǎn)與傳統(tǒng)異常檢測的思路就不一樣。

我們就利用出現(xiàn)的規(guī)模，時(shí)長，影響人數(shù)等因素利用統(tǒng)計(jì)學(xué)中的3σ原則，當(dāng)然，進(jìn)一步我們利用特征工程的方法實(shí)時(shí)來檢測錯(cuò)誤的影響程度。

除了在穩(wěn)定性方面，只要是生產(chǎn)力工具都可以去思考是否讓 AI 改變我們的開發(fā)現(xiàn)狀。這個(gè)地方留給所有的工程師思考。

總結(jié)設(shè)想

不論講到采集還是可視化，還是做數(shù)據(jù)產(chǎn)品，我都想講兩點(diǎn)：

第一，數(shù)據(jù)的完整鏈路。沒有『好』的數(shù)據(jù)，沒有看到其中的意義，沒有這條鏈路中清洗計(jì)算部分，都是沒有意義的，這也說明

前端工程師專注在一個(gè)領(lǐng)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(jī)器學(xué)習(xí)，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(shù)據(jù)到認(rèn)知數(shù)據(jù)，而機(jī)器學(xué)習(xí)是通過大量樣本學(xué)習(xí)得到結(jié)論。

現(xiàn)在的科技由機(jī)器學(xué)習(xí)的技術(shù)還無法做到的事，都還會(huì)通過類似于可視化的方式傳遞給人類。

如果某一天機(jī)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(shù)，也是思路，我們可以用在任何環(huán)節(jié)，不論是哪個(gè)崗位的工程師都應(yīng)該掌握。

在過去，前端的工作只與界面相關(guān)，而今天前端在一定程度上已經(jīng)具備了全棧開發(fā)的能力，前端工具化平臺化已經(jīng)很常見，可以利用機(jī)器學(xué)習(xí)完善工具。

今天立足在 Web 領(lǐng)域我們是有優(yōu)勢的，那么在其它領(lǐng)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(shù)據(jù)時(shí)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(chǔ)能力從過去縱深到現(xiàn)在更趨向于 T 字型發(fā)展。我相信這是未來工程師們的基本形態(tài)。

四

重點(diǎn)來了

那么說了這么多，但是學(xué)海無涯， 北媽向大家清楚的解釋和分析了前端和大數(shù)據(jù)行業(yè)的關(guān)系和發(fā)展領(lǐng)域

大數(shù)據(jù)到底可以干什么，這么海量的數(shù)據(jù)也造就了無數(shù)工作機(jī)會(huì)，我們怎么第一時(shí)間掌握技術(shù)棧 把握住？

這些疑問，我也收到很多，那么今天找了一個(gè)專門研究大數(shù)據(jù)的高手，統(tǒng)一給大家回復(fù)，他的機(jī)構(gòu)也是專門研究和教授大數(shù)據(jù)技術(shù)和從業(yè)指導(dǎo)，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(shù)業(yè)有專攻。

另外加他咨詢，可以領(lǐng)取?1024G大數(shù)據(jù)資料

1024G 會(huì)員專屬資料共享：內(nèi)容涵蓋“大數(shù)據(jù)基礎(chǔ)入門與學(xué)習(xí)線路”、“Oracle高級技術(shù)總監(jiān)帶你學(xué)習(xí)大數(shù)據(jù)”、“Hadoop全分布式搭建”、“Hadoop DataBase與Google論文BigTable”、“Hive的執(zhí)行計(jì)劃/典型的實(shí)時(shí)計(jì)算架構(gòu)”、“大數(shù)據(jù)實(shí)戰(zhàn)應(yīng)用案例”等，價(jià)值3W全套視頻源碼免費(fèi)發(fā)放！

還是那句話：有需要的可以聯(lián)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(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。