大數據領域的主要技術方向有:

1、Hadoop大數據開發方向;

2、數據挖掘、數據分析&機器學習方向;

3、大數據運維&云計算方向。

一、Hadoop大數據開發方向

Hadoop發展到今天家族產品已經非常豐富，能夠滿足不同場景的大數據處理需求。作為目前主流的大數據處理技術，市場上很多公司的大數據業務都是基于Hadoop開展，而且對很多場景已經具有非常成熟的解決方案。

作為開發人員掌握Hadoop及其生態內框架的開發技術，就是進入大數據領域的必經之路。Hadoop本身是用java開發的，所以對java的支持性非常好，但也可以使用其他語言。因為Hadoop是運行在Linux系統上的，所以還需要掌握Linux的知識。

二、數據挖掘、數據分析和機器學習方向

數據挖掘：是通過應用機器學習算法，現有數據實際上可用于預測未知數，這正是數據挖掘的奇跡與機器學習密切相關的原因。然而，任何機器學習算法的強度在很大程度上取決于大量數據集的供應。請記住，無論算法有多復雜，都不能從幾行數據中做出靈感預測。大數據技術是機器學習的前提，通過使用機器學習，我們能夠從現有數據集中獲得有價值的見解。

數據挖掘在未來的發展趨勢上，在我看來，Web網路中數據挖掘的應用，特別是在互聯網上建立數據挖掘服務器，與數據庫服務器配合，實現數據挖掘，從而建立強大的數據挖掘引擎與數據挖掘服務市場。融合各種異構數據的挖掘技術， 加強對各種非結構化數據的開采，如對文本數據，圖形數據，視頻圖像數據，聲音數據乃至綜合多媒體數據的開采。

數據分析：數據分析是指用適當的統計方法對收集來的大量第一手資料和第二手資料進行分析，以求最大化地開發數據資料的功能，發揮數據的作用。是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。

在實用中，數據分析可幫助人們作出判斷，以便采取適當行動。數據分析是組織有目的地收集數據、分析數據，使之成為信息的過程。這一過程是質量管理體系的支持過程。在產品的整個壽命周期，包括從市場調研到售后服務和最終處置的各個過程都需要適當運用數據分析過程，以提升有效性。例如J.開普勒通過分析行星角位置的觀測數據，找出了行星運動規律。又如，一個企業的領導人要通過市場調查，分析所得數據以判定市場動向，從而制定合適的生產及銷售計劃。因此數據分析有極廣泛的應用范圍。

機器學習：如果我們的目標是分析不同類型的購物者之間的相關性，或者如果我們想要推斷特定類型的購物者的特定偏好，或者甚至預測任何購物者的性別或年齡，我們將需要更多復雜的模型，我們稱之為算法。機器學習可以更容易理解為為數據挖掘目的而開發的所有不同類型的算法，例如邏輯回歸，決策樹，協同過濾等等。

三、大數據運維和云計算方向

大數據運維：有一些數據需要進行維護，運維你也可以理解成維護！

云計算:是基于互聯網的相關服務的增加、使用和交付模式，通常涉及通過互聯網來提供動態易擴展且經常是虛擬化的資源。云是網絡、互聯網的一種比喻說法。云計算目前分為公有云和私有云。兩者的區別只是提供的服務的對象不同，一個是企業內部使用，一個則是面向公眾。云計算可以提升每臺服務器的使用率，以此達到開源節流。