WEB开发中“前端”和“后端”的区别如下：
一、Web前端：
1）精通HTML，能够书写语义合理，结构清晰，易维护的HTML结构。
2）精通CSS，能够还原视觉设计，并兼容业界承认的主流浏览器。
3）熟悉JavaScript，了解ECMAScript基础内容，掌握1~2种js框架，如JQuery
4）对常见的浏览器兼容问题有清晰的理解，并有可靠的解决方案。
5）对性能有一定的要求，了解yahoo的性能优化建议，并可以在项目中有效实施。
二、Web后端：
1）精通jsp，servlet，java bean，JMS，EJB，Jdbc，Flex开发，或者对相关的工具、类库以及框架非常熟悉，如Velocity，Spring，Hibernate，iBatis，OSGI等，对Web开发的模式有较深的理解
2）练使用oracle、sqlserver、mysql等常用的数据库系统，对数据库有较强的设计能力。
3）熟悉maven项目配置管理工具，熟悉tomcat、jboss等应用服务器，同时对在高并发处理情况下的负载调优有相关经验者优先考虑
4）精通面向对象分析和设计技术，包括设计模式、UML建模等
5）熟悉网络编程，具有设计和开发对外API接口经验和能力，同时具备跨平台的API规范设计以及API高效调用设计能力
-
1、数据析重点观察数据数据挖掘重点数据发现知识规则KDD（Knowledge Discover in Database）；
2、数据析结论智能结数据挖掘结论机器习集（或训练集、本集）发现知识规则；
3、数据析结论运用智力数据挖掘发现知识规则直接应用预测
4、数据析能建立数模型需要工建模数据挖掘直接完数建模传统控制论建模本质描述输入变量与输变量间函数关系数据挖掘通机器习自建立输入与输函数关系根据KDD规则给定组输入参数组输量
-
一般数据采集，分为页面数据采集和API数据采集，采集一般用python语言，数据分析一般也是基于python上的框架做的，源数据，里有好多免费采集好的数据，可以直接下载，有兴趣的话，你可以去看看。
1、基本统计量：均值、中位数、众数、百分位数、极值等
2、其他描述性统计量：偏度、方差、标准差、显著性等
3、其他统计知识：总体和样本、参数和统计量、ErrorBar
4、概率分布与假设检验：各种分布、假设检验流程
5、其他概率论知识：条件概率、贝叶斯等
可以把你这些GPA、专业等信息输入到留学志愿参考系统 中去，系统会自动从数据库中匹配出与你情况相似的同学案例，看看他们成功申请了哪些院校和专业
这样子就可以看到你目前的水平能申请到什么层次的院校和专业了，对自己进行精准的定位。
数据分析类的app多，有统计的，有分析，有测试的，可上app先知查看，功能不少的。
2012年的时候我们说R是学术界的主流，但是现在Python正在慢慢取代R在学术界的地位。不知道是不是因为大数据时代的到来。
Python与R相比速度要快。Python可以直接处理上G的数据；R不行，R分析数据时需要先通过数据库把大数据转化为小数据（通过groupby）才能交给R做分析，因此R不可能直接分析行为详单，只能分析统计结果。所以有人说：Python=R+SQL/Hive，并不是没有道理的。
Python的一个最明显的优势在于其胶水语言的特性，很多书里也都会提到这一点，一些底层用C写的算法封装在Python包里后性能非常高效
(Python的数据挖掘包Orange canve
中的决策树分析50万用户10秒出结果，用R几个小时也出不来，8G内存全部占满)。但是，凡事都不绝对，如果R矢量化编程做得好的话（有点小难度），会
使R的速度和程序的长度都有显著性提升。
R的优势在于有包罗万象的统计函数可以调用，特别是在时间序列分析方面，无论是经典还是前沿的方法都有相应的包直接使用。
相比之下，Python之前在这方面贫乏不少。但是，现在Python有了
pandas。pandas提供了一组标准的时间序列处理工具和数据算法。因此，你可以高效处理非常大的时间序列，轻松地进行切片/切块、聚合、对定期
/不定期的时间序列进行重采样等。可能你已经猜到了，这些工具中大部分都对金融和经济数据尤为有用，但你当然也可以用它们来分析服务器日志数据。于是，近
年来，由于Python有不断改良的库（主要是pandas），使其成为数据处理任务的一大替代方案。
做过几个实验：
1. 用python实现了一个统计方法，其中用到了ctypes，multiprocess。
之后一个项目要做方法比较，又用回R，发现一些bioconductor上的包已经默认用parallel了。（但那个包还是很慢，一下子把所有线程都用掉了，导致整个电脑使用不能，看网页非常卡~）
2. 用python pandas做了一些数据整理工作，类似数据库，两三个表来回查、匹配。感觉还是很方便的。虽然这些工作R也能做，但估计会慢点，毕竟几十万行的条目了。
3. 用python matplotlib画图。pyplot作图的方式和R差异很大，R是一条命令画点东
西，pylot是准备好了以后一起出来。pyplot的颜色选择有点尴尬，默认颜色比较少，之后可用的颜色，但是名字太长了~。pyplot
的legend比R 好用多了，算是半自动化了。pyplot画出来后可以自由拉升缩放，然后再保存为图片，这点比R好用。
总的来说Python是一套比较平衡的语言，各方面都可以，无论是对其他语言的调用，和数据源的连接、读取，对系统的操作，还是正则表达和文字处
理，Python都有着明显优势。
而R是在统计方面比较突出。但是数据分析其实不仅仅是统计，前期的数据收集，数据处理，数据抽样，数据聚类，以及比较复杂的数据挖掘算法，数据建模等等
这些任务，只要是100M以上的数据，R都很难胜任，但是Python却基本胜任。
结合其在通用编程方面的强大实力，我们完全可以只使用Python这一种语言去构建以数据为中心的应用程序。
但世上本没有最好的软件或程序，也鲜有人能把单一语言挖掘运用到极致。尤其是很多人早先学了R，现在完全不用又舍不得，所以对于想要学以致用的人来说，如果能把R和Python相结合，就更好不过了。
大讲台大数据培训为你解答：
1、大数据（big data）：
指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产；
在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理。大数据的5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）Veracity（真实性）
2、数据分析：
是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。
数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。
随着互联网的高速发展，软件行业更加火爆，几乎高薪职位都与软件行业挂勾，软件行业成了高薪的标志。web前端作为近几年非常火的软件开发语言，更是得到了多人一致的好评和青睐。既然web前端这么火，学习这门课程当然前景更可观。
只要努力学到真东西，前途自然不会差。如果你想学好web前端开发，一般在2w左右，应该根据自己的实际需求去实地看一下，先去试听之后，再选择比较适合自己的，希望能给你带去帮助。
Hadoop生态体系是大数据开发分析的重要部分，是需要去重点学习的。