大數據是我的主要研究方向之一，這個問題也比較有代表性，所以我來回答一下。
大數據項目不僅涉及到數據的存儲、安全、分析，還涉及到數據的采集、整理、呈現和應用等內容，并且與物聯網、云計算關系密切。下面我從大數據的產業鏈入手，來談一下如何開始學習大數據。
大數據的產業鏈
我們談到大數據首先要了解到底什么是大數據，大數據都涉及到哪些技術，大數據都能做什么事情？
早期我們在談論大數據的時候，我們更多的強調數據的規模大、結構多樣、速度快、價值密度低等概念，而目前的大數據代表了圍繞數據的整個產業鏈，包括數據的采集一直到數據的分析、呈現等內容。
那么，大數據又是哪兒來的呢？一個來源是傳統的信息系統，包括ERP系統等，另一個重要的來源是物聯網系統，目前這是大數據最重要的數據來源之一，可以說物聯網的發展直接導致了大數據的出現。所以，要學習大數據首先就要了解物聯網。
接下來，數據通過網絡傳送到云計算平臺，在云計算平臺的支持下，大數據完成數據的存儲、安全和分析的一系列操作，可以說云計算平臺給大數據提供了支撐環境。所以，要學習大數據也要了解云計算。
現在的大數據不僅僅能夠做數據分析，更是為人工智能提供了支撐，比如在機器學習領域，需要大量的訓練數據來訓練算法，而大數據恰恰可以提供數據。可以說現在的大數據為科技領域的發展起到了重要的助力作用。
大數據的技術組成
大數據是一個典型的多學科交叉領域，需要計算機專業、數學、統計等專業人才共同合作。大數據平臺有兩個重要基礎，一個是分布式存儲，一個是分布式計算，在這兩個基礎功能之上再完成各個場景的應用。
比如，目前比較流行的大數據平臺有Hadoop和Spark，Hadoop平臺是基于Java語言開發的，包括了HDFS和MapReduce兩個大部分，Hadoop生態健全，應用廣泛，目前很多商業大數據系統都是基于Hadoop構建的。Spark采用基于內存運算的模式，所以在速度上要比Hadoop快一些，另外Spark所采用的Scala語言更靈活一些，得到了很多Java程序員的喜愛。
當然，搭建Hadoop、Spark平臺只是第一步，接下來要對數據進行分析、呈現和應用。大數據算法工程師要根據不同的應用場景來設計不同的算法，常見的算法包括支持向量機、樸素貝葉斯、k近鄰、決策樹等等，這些算法往往也是機器學習的常見算法，所以從大數據轉向機器學習是非常方便的，我就是從大數據開始進入機器學習領域的研究。
對于統計專業人才來說，大數據是一個重要的舞臺，大數據能為統計提供豐富的數據，可以使用很多工具完成數據分析任務，R語言就是一個好選擇。
相信通過我的介紹，大家對大數據有了一個概要的了解。
總之，大數據的學習要找到一條適合自己的切入點，然后逐步深入。如果是程序員，完全可以從平臺搭建開始。