数据库系统概论第五版，自学数据分析需要看哪些书的？
本次书单推荐包含「入门篇」、「进阶篇」、「高阶篇」，适用于不同层次的学习者。请大家对号入座，收好适合自己的修炼秘籍吧~
入门篇 1.《谁说菜鸟不会数据分析》
推荐理由：基于通用的Excel工具，在8个章节中，分别讲解数据分析必知必会的知识、数据处理技巧、数据展现的技术、通过专业化的视角来提升图表之美、数据分析报告的撰写技能以及持续的修炼。读者完全可以把这本书当小说来阅读，跟随主人公小白，在Mr.林的指点下轻松掌握数据分析的技能，提升职场竞争能力。
2.《深入浅出数据分析》
推荐理由：数据分析入门第一本。通俗简单，却能够让读者对数据分析的相关概念有大致的了解，诠释了数据分析的基本步骤，实验方法，最优化方法/假设检验法/贝叶斯统计法/等等方法论，还有数据整理技巧，这个太重要了，为读者搭建了走向深入研究的桥梁。
3.《深入浅出统计学》
推荐理由：号称“文科生也能看懂”的统计书。尽管阅读容易，但所讲的知识在数据分析中都是常见且必须掌握的，比如基本的统计量，基本上每个分析项目中都会用到；比如基本的概率分布，总体与样本的概念、置信区间、假设检验、回归分析，都是关于数据分析的统计学知识。
4.《赤裸裸的统计学》
推荐理由：作者年轻时是个追求学习意义的学霸，后来自己从统计学中发掘了很多可以应用到生活的地方。这也是本书的主旨，结合生活讲解统计知识，生动有趣。可以避免统计学一上来就大讲贝叶斯概率和随机分析的枯燥。
进阶篇 一、数据分析—Excel 1.《EXCEL数据处理与分析实战技巧精粹》
推荐理由：详尽的实例，精彩的讲解，细致的描述，多角度的剖析，融汇Excel Home万千问题与答案，彰显Excel丰富内涵。相信本书是你爱不释手、轻松办公的利器。
2.《Excel VBA从入门到精通》
推荐理由：本书分为五篇，其中第一篇是VBA基础知识篇，主要内容包括VBA的概念、宏和VBA开发环境；第二篇是VBA基础语法篇，主要内容包括VBA语法基础、VBA基础语句、程序结构控制语句、过程、Sub与Function过程；第三篇是Excel VBA对象篇，主要内容包括Excel VBA对象模型和应用程序对象、工作簿对象、工作表对象、单元格对象和图表对象；第四篇是VBA高级应用篇，主要内容包括自定义Excel 2010的用户界面、工作表控件、界面设计、XML与VBA、加载宏和数据库编程等；第五篇是综合实例与面试问答篇，主要讲解了成绩管理系统和日程安排表两个综合实例，并提供了30多个近几年各大公司经常考察的面试题。
二、数据分析—R 1.《R语言实战（第2版）》 推荐理由：本书从解决实际问题入手，尽量跳脱统计学的理论阐述来讨论R语言及其应用，讲解清晰透澈，极具实用性。作者不仅高度概括了R语言的强大功能、展示了各种实用的统计示例，而且对于难以用传统方法分析的凌乱、不完整和非正态的数据也给出了完备的处理方法。第2版新增6章内容，涵盖时间序列、聚类分析、分类、高级编程、创建包和创建动态报告等，并分别详细介绍了如何使用ggplot2和lattice进行高级绘图。通读本书，你将全面掌握使用R语言进行数据分析、数据挖掘的技巧，并领略大量探索和展示数据的图形功能，从而更加高效地进行分析与沟通。
2.《统计建模与R软件》
推荐理由：书中结合数理统计问题对R软件进行科学、准确和全面的介绍，以便使读者能深刻理解该软件的精髓和灵活、高效的使用技巧．此外，还介绍了在工程技术、经济管理、社会生活等各方面的丰富的统计问题及其统计建模方法，通过该软件将所建模型进行求解，使读者获得从实际问题建模入手，到利用软件进行求解，以及对计算结果进行分析的全面训练。
三、数据分析—Python 1.《利用Python进行数据分析（原书第2版） 推荐理由：本书由Python pandas项目创始人Wes McKinney亲笔撰写，详细介绍利用Python进行操作、处理、清洗和规整数据等方面的具体细节和基本要点。第2版针对Python 3.6进行全面修订和更新，涵盖新版的pandas、NumPy、IPython和Jupyter，并增加大量实际案例，可以帮助你高效解决一系列数据分析问题。
2.《Python数据分析从入门到精通》
推荐理由：对于希望使用Python来完成数据分析工作的人来说，学习IPython、Numpy、pandas、Matplotlib这个组合是目前看来不错的方向，本书就是这样一本循序渐进的书。内容精练、重点突出、实例丰富，是广大数据分析工作者必备的参考书，为读者能真正使用Python进行数据分析奠定基础。
3.《Python数据挖掘：概念、方法与实践》
推荐理由：本书使用Python编程语言和基于项目的方法介绍多种常被忽视的数据挖掘概念，如关联规则、实体匹配、网络分析、文本挖掘和异常检测。每个章节都全面阐述某种特定数据挖掘技术的基础知识，提供替代方案以评估其有效性，并用真实的数据实现该技术，帮助你“知其然，知其所以然”，从而迈向数据挖掘专家的道路。
四、数据分析— SPSS 1.《SPSS统计分析基础教程》
推荐理由：本书改变了以往SPSS书籍对统计理论和软件操作“两条主线、各自表述”的编写方式，将这两者完全融合了起来。它以SPSS 12.0为准，针对统计初学者和SPSS初级用户的需求，以统计理论为主线，详细介绍了在SPSS中的界面操作、数据管理、统计图表制作、统计描述和常用单因素统计分析方法的原理与实际操作。其内容完全覆盖目前国内大部分专业本科统计课程的教学范围，并结合SPSS的强大功能作了很好的扩展。全书内容深入浅出，风格简洁明快，是一本难得的统计理论与SPSS操作相结合的统计参考书。
2.《Discovering statistics using spas》
推荐理由：国外的一些入门书籍很容易上手， 在学术论坛和知乎等页面都有网友推荐这本书。国外图书价格偏贵，但是据说某宝的PDF版很便宜。
3.《问卷统计分析实务： SPSS操作与应用》
推荐理由：本书的内容架构，在于完整介绍问卷调查法中的数据处理与其统计分析流程，统计分析技术以SPSS统计软件包的操作界面与应用为主，内容除基本统计原理的解析外，着重的是SPSS统计软件包在量化研究上的应用。
五、 数据分析—SAS
1.《The little SAS book》
推荐理由：内容不深，但是全面、实用，很经典的一本书，适合初学者看。英文版读得太累可以搜一下中文版。
2.《SAS统计分析应用》
推荐理由：本书基于SAS 9.1.3中文版本编写，介绍了SAS Learning Edition基于窗口点击式环境以及Base SAS、SAS＼STAT的用法。全书以统计分析方法为主线，通过大量实例，详细介绍了SAS程序设计方法及各种统计过程适用条件和使用方法，并对统计过程实例的输出结果做了详尽的解释。
3.《SAS统计分析与数据挖掘》
推荐理由：从SAS编程出发，用案例形式介绍SAS数据挖掘在各领域的广泛应用，全书分为SAS基础篇、提高篇及应用篇，每章均给出大量分析案例。
六、数据分析—SQL
1.《SQL必知必会》
推荐理由：本书是深受世界各地读者欢迎的SQL经典畅销书，内容丰富，文字简洁明快，针对Oracle、SQL Server、MySQL、DB2、PostgreSQL、SQLite等各种主流数据库提供了大量简明的实例。与其他同类图书不同，它没有过多阐述数据库基础理论，而是专门针对一线软件开发人员，直接从SQL SELECT开始，讲述实际工作环境中最常用和最必需的SQL知识，实用性极强。通过本书，读者能够从没有多少SQL经验的新手，迅速编写出世界级的SQL！
2. 《SQL基础教程》
推荐理由：本书介绍了关系数据库以及用来操作关系数据库的SQL语言的使用方法，提供了大量的示例程序和详实的操作步骤说明，读者可以亲自动手解决具体问题，循序渐进地掌握SQL的基础知识和技巧，切实提高自身的编程能力。在每章结尾备有习题，用来检验读者对该章内容的理解程度。另外本书还将重要知识点总结为“法则”，方便大家随时查阅。
3.《高可用MySQL：构建健壮的数据中心》
推荐理由：本书是“MySQL High Availability”的中文翻译版，主要讲解真实环境下如何使用MySQL的复制、集群和监控特性，揭示MySQL可靠性和高可用性的方方面面。本书由MySQL开发团队亲自执笔，定位于解决MySQL数据库的常见应用瓶颈，在保持MySQL的持续可用性的前提下，挖潜各种提高性能的解决方案。
七、数据挖掘 1.《数据挖掘导论（完整版）》
推荐理由：本书全面介绍了数据挖掘，涵盖了五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章。前一章涵盖基本概念、代表性算法和评估技术，而后一章讨论高级概念和算法。这样读者在透彻地理解数据挖掘的基础的同时，还能够了解更多重要的高级主题。
2.《数据挖掘概念与技术（原书第3版）》
推荐理由：本书完整全面地讲述数据挖掘的概念、方法、技术和最新研究进展。本书对前两版做了全面修订，加强和重新组织了全书的技术内容，重点论述了数据预处理、频繁模式挖掘、分类和聚类等的内容，还全面讲述了OLAP和离群点检测，并研讨了挖掘网络、复杂数据类型以及重要应用领域。 3.《大数据：互联网大规模数据挖掘与分布式处理（第2版）》
推荐理由：畅销书全新升级，新增影响与同质性、社交媒体推荐和行为分析等超实用内容，涵盖解决数据挖掘核心问题所用算法，及实际应用数据挖掘所需知识，理论与实现并重。斯坦福大学数据挖掘方向专家Jure Leskovec、Anand Rajaraman、Jeffrey David Ullman重磅力作。
八、数据可视化 1.《数据可视化之美》
推荐理由：在本书中，20多位可视化专家包括艺术家、设计师、评论家、科学家、分析师、统计学家等，展示了他们如何在各自的学科领域内开展项目。他们共同展示了可视化所能实现的功能以及如何使用它来改变世界。成功的可视化的美丽之处既在于其艺术设计，也在于其通过对细节的优雅展示，能够有效地产生对数据的洞察和新的理解。
2.《用数据讲故事》
推荐理由：本书通过大量案例研究介绍数据可视化的基础知识，以及如何利用数据创造出吸引人的、信息量大的、有说服力的故事，进而达到有效沟通的目的。具体内容包括：如何充分理解上下文，如何选择合适的图表，如何消除杂乱，如何聚焦受众的视线，如何像设计师一样思考，以及如何用数据讲故事。本书得到了国内数据分析大咖秋叶、范冰、邓凯的推荐。
3.《ggplot2：数据分析与图形艺术》
推荐理由：ggplot2 是最优秀的数据分析可视化工具之一，这本书系统地讲解了 ggplot2 的基本原理和具体操作，书中有大量的例子，也可以下载源代码。更建议直接学习英文版的教材（如果英文过关的话）。
九、报告撰写 《麦肯锡教我的写作武器》
推荐理由：本书分为基础篇和实践篇两部分，结合实际案例，系统地介绍了运用逻辑思考，制作一份兼具逻辑力与明确表达力的精彩商务文案所需的诸多方法，如金字塔原理、MECE原则、分辨问题类型的高杉法、SCQOR故事展开法以及具体制作报告与简报的方法等，让你学会逻辑思考方法、提高写作能力的实用工具书。
高阶篇 1.《精益数据分析》
推荐理由：此书优势在于将企业分成了几个大的行业类别，并分门别类的讲解了每个行业的商业模式特点及分析技巧，对使用者的分析能力要求较高，且必须具备相应的业务知识。书中并没有讲到具体的数据分析技术，主要分析了各种产品中用到的指标、模型和“数据驱动型产品”的一些思路。
2.《数学之美》
推荐理由：本书把高深的数学原理讲得更加通俗易懂，让非专业读者也能领略数学的魅力。读者通过具体的例子学到的是思考问题的方式 —— 如何化繁为简，如何用数学去解决工程问题，如何跳出固有思维不断去思考创新。
3.《集体智慧编程》
推荐理由：本书以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析Web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从Web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数据子集）、搜索引擎核心技术（爬虫、索引、查询引擎、PageRank算法等）、搜索海量信息并进行分析统计得出结论的优化算法、贝叶斯过滤技术（垃圾邮件过滤、文本过滤）、用决策树技术实现预测和决策建模功能、社交网络的信息匹配技术、机器学习和人工智能应用等。
4.《机器学习》
推荐理由：展示了机器学习中核心的算法和理论，并阐明了算法的运行过程。本书综合了许多的研究成果，例如统计学、人工智能、哲学、信息论、生物学、认知科学、计算复杂性和控制论等，并以此来理解问题的背景、算法和其中的隐含假定。 5.《R数据分析——方法与案例详解（双色）》
推荐理由：R是属于GNU系统的一个自由、免费、源代码开放的软件，用于统计计算和统计制图。这本书从实用的统计研究角度逐例分析R在数据处理、模型构建、以及图形操作上的由浅入深的结合，堪称经典。 6.《Python高级数据分析：机器学习、深度学习和NLP实例》
推荐理由：本书介绍了基于Python的高级数据分析，探讨了Neo4j、Elasticsearch和MongoDB等数据库，讨论了如何实现包括主题爬取在内的ETL技术，并用于高频算法交易和目标导向的对话系统等领域；还介绍了一些机器学习概念（如半监督学习、深度学习和NLP）的例子；同时涵盖了重要的传统数据分析技术，如时间序列和主成分分析等。
文献检索的主要途径有哪些？
文献检索方式：
1、直接法：又称常用法，是指直接利用检索系统（工具）检索文献信息的方法。它又分为顺查法、倒查法和抽查法。
2、顺查法：顺查法是指按照时间的顺序，由远及近地利用检索系统进行文献信息检索的方法。这种方法能收集到某一课题的系统文献，它适用于较大课题的文献检索。例如，已知某课题的起始年代，需要了解其发展的全过程，就可以用顺查法从最初的年代开始查找。
3、倒查法：倒查法是由近及远，从新到旧，逆着时间的顺序利用检索工具进行文献检索的方法。使用这种方法可以最快地获得最新资料。
4、抽查法：抽查法是指针对项目的特点，选择有关该项目的文献信息最可能出现或最多出现的时间段，利用检索工具进行重点检索的方法。
5、追溯法：是指不利用一般的检索系统，而是利用文献后面所列的参考文献，逐一追查原文（被引用文献），然后再从这些原文后所列的参考文献目录逐一扩大文献信息范围，一环扣一环地追查下去的方法。它可以像滚雪球一样，依据文献间的引用关系，获得更好的检索结果。
6、循环法：又称分段法或综合法。它是分期分交替使用直接法和追溯法，以期取长补短，相互配合，获得更好的检索结果。
人工智能导论知识点总结？
《人工智能导论》复习知识点
选择题知识点
1.人工智能、人工神经网络、机器学习等人工智能中常用词的英文及其英文缩写。
人工智能Artificial Intelligence,AI
人工神经网络Artificial Neural Network，ANN
机器学习Machine Learning，ML
深度学习Deep Learning,DL
2.什么是强人工智能？
强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器将被认为是有知觉的，有自我意识的。可以独立思考问题并制定解决问题的最优方案，有自己的价值观和世界观体系。有和生物一样的各种本能，比如生存和安全需求。在某种意义上可以看作一种新的文明。
3.回溯算法的基本思想是什么？
能进则进。从一条路往前走，能进则进，不能进则退回来，换一条路再试。
4.面向对象、产生式系统、搜索树的定义？
面向对象(Object Oriented)是软件开发方法，一种编程范式。面向对象的概念和应用已超越了程序设计和软件开发，扩展到如数据库系统、交互式界面、应用结构、应用平台、分布式系统、网络管理结构、CAD技术、人工智能等领域。面向对象是一种对现实世界理解和抽象的方法，是计算机编程技术发展到一定阶段后的产物。面向对象是相对于面向过程来讲的，面向对象方法，把相关的数据和方法组织为一个整体来看待，从更高的层次来进行系统建模，更贴近事物的自然运行模式。
把一组产生式放在一起，让它们相互配合，协同工作，一个产生式生成的结论可以供另一个产生式作为前提使用，以这种方式求得问题的解决的系统就叫作产生式系统。
对于需要分析方法，诸如深度优先搜索和广度优先搜索（穷尽的方法）以及启发式搜索（例如最佳优先搜索和A*算法），这样的问题使用搜索树表示最合适。
5.机器学习的基本定义是什么？
机器学习是一门研究及其获取新知识和新技能，并识别现有知识的学问。
6.智慧地球的概念，智慧地球提出的背景是怎样的？
借助新一代信息技术（如传感技术、物联网技术、移动通信技术、大数据分析、3D打印等）的强力支持，让地球上所有东西实现被感知化、互联化和智能化。
背景为金融危机影响全球。
7.相关关系是怎么回事？
相关关系是客观现象存在的一种非确定的相互依存关系，即自变量的每一个取值，因变量由于受随机因素影响，与其所对应的数值是非确定性的。相关分析中的自变量和因变量没有严格的区别，可以互换。
8.盲目搜索是什么意思？
盲目搜索方法又叫非启发式搜索，是一种无信息搜索，一般只适用于求解比较简单的问题，盲目搜索通常是按预定的搜索策略进行搜索，而不会考虑到问题本身的特性。常用的盲目搜索有宽度优先搜索和深度优先搜索两种。
填空题知识点。
1. Wiener 在智能活动领域的理论贡献？
创立控制论，开创了一个全新的学科“控制科学”（Control Science），也开创了人工智能中的行为主义学派。
2.常见的盲目搜素算法有哪些？
常用的盲目搜索有宽度优先搜索和深度优先搜索两种。
3.最佳优先搜索算法？
最佳优先搜索（Best First Search），是一种启发式搜索算法（Heuristic Algorithm）,我们也可以将它看做广度优先搜索算法的一种改进；最佳优先搜索算法在广度优先搜索的基础上，用启发估价函数对将要被遍历到的点进行估价，然后选择代价小的进行遍历，直到找到目标节点或者遍历完所有点，算法结束。
4.大类来分，主要有哪三类机器学习算法？
监督学习、无监督学习、强化学习
5.监督学习的主要类型？
分类和回归，详见书上127页
6.人工智能之父是指？图灵测试的含义？
图灵。它的意义在于推动了计算机科学和人工智能的发展。
7.大数据时代，相关性和因果性的异同？
异：因果关系很难被轻易证明，但证明相关关系实验耗资少，费时也少。
同：相关关系为研究因果关系奠定了基础。
8.产生式系统的形式规则集怎样表示的？
IF[条件]THEN[动作]
9.机器学习算法都是基于什么理论的？
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
3.简答题知识点
1.大数据时代的思维转变？
1.样本=总体
2.接受数据的混杂性
3.数据的相关关系
2.人工智能领域的主要应用有哪些？
深度学习、自然语言处理、计算机视觉、智能机器人、自动程序设计、数据挖掘
3.知识表示法有哪些?
叙述式表示法、过程式表示法
4.线性回归与逻辑回归的比较。
参考一：在线性回归模型中，输出一般是连续的， 对于每一个输入的x，都有一个对应的输出y。因此模型的定义域和值域都可以是无穷。
但是对于逻辑回归，输入可以是连续的[-∞, +∞]，但输出一般是离散的，通常只有两个值{0, 1}。
参考二：逻辑回归的模型 是一个非线性模型，sigmoid函数，又称逻辑回归函数。但是它本质上又是一个线性回归模型，因为除去sigmoid映射函数关系，其他的步骤，算法都是线性回归的。可以说，逻辑回归，都是以线性回归为理论支持的。
只不过，线性模型，无法做到sigmoid的非线性形式，sigmoid可以轻松处理0/1分类问题。
5.人工智能时代的重要工作岗位。
数据科学家、机器学习工程师、数据标签专业人员、AI硬件专家、数据保护专家
6.为什么在大数据时代更关注相关关系？
相关关系实验耗资少、费时也少。为我们提供新的视角，而且提供的视角都很清晰。
7.语义网络如何理解？
语义网络是知识表示中最重要的通用形式之一，是一种表达能力强而且灵活的知识表示方法。它通过概念及其语义关系来表达知识的一种网络图。
8.神经元与神经网络的关系？神经元的工作原理。
关系：神经网络从这种自然典范中汲取灵感，设计人工神经网络。
原理：神经元由一个细胞体和突两部分组成。突分两类，轴突和树突。 树突和轴突共同作用，实现神经元之间的信息传递。
轴突的末端与树突进行进行信号传递的界面成为突触，通过突触向其他神经元发送信息。学习发生在突触附近，而且突触把经过一个神经元轴突的脉冲转化为下一个神经元的兴奋信号或抑制信号。
对某些突触的刺激促使神经元触发，只有神经元所有输入的总效应达到阈值电平，它才开始工作。
综合应用题的知识点
1.常用的机器学习算法有哪些？各自的特点和适用领域是怎样的？
回归算法：是最快速的机器算法之一，分类，预测离散值。
KNN算法：最基础和简单的算法之一，用于分类，比较数据点的距离，并将每个点分配给它最接近的组。
决策树算法：将一组“弱”学习器集合在一起，形成一种强算法。主要用来分类，也有做回归，但更多的是作为弱分类器，用在model
贝叶斯算法：通过找到样本所属于的联合分步，然后通过贝叶斯公式，计算样本的后验概率。用于文本分析、分类
聚类算法：发现元素之间的共性并对它们进行相应的分组。
神经网络算法：通过找到某种非线性模型拟合数据，主要用在图像处理等
2.专家系统的概念、结构、各模块的作用怎样？。
专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
人机交互界面、知识库、推理机、解释器、综合数据库、知识获取
人机界面：系统和用户进行交流的界面
知识库：存放专家提供的知识
推理机：对当前问题的条件或已知消息，仿佛匹配知识库中的规则，获取新理论，以得到问题求解结果
解释器：能根据用户的提问，对结论、求解过程做出说明
综合数据库：专门用于存储推理过程中所需要的原始数据、中间结果和最终结论
中国企业跨过数据库不足这座大山了吗？
说起来，数据库进入国内已经有40年的时间。1978年，萨师煊老师在黑板上写下“数据库”三个字，数据库理论正式进入中国。
恰好我在考研的时候，考的专业课是“数据库系统概论”。而当时用的参考书就是萨师煊老师的那本，《数据库系统概论》第4版，粉粉的封皮，转眼间现在已经出到第5版了。
当时我是跨专业考研，在之前我对数据库的认识，停留在大学计算机基础理论课上学的那些access什么的。考完研后，那本粉色的书已经被我翻的有些破旧，成为我最早对数据库的启蒙。
说起来，对于代码方面，我是一点天赋都没有。简单的SQL语句，就被我学的颠沛流离。
当时为了学习，费了好大的劲儿，在当时的电脑上装了一个数据库，我记得是Sql Server。每天在上面捯饬着基本的增删改查，到最后写个简单的trigger，就已经觉得我真的是太厉害了。
后来读研的时候，慢慢的对数据库有了更深的接触，但我依然是一个小菜鸡。看着同学中的大神每天能写很长的代码，还能结合python什么的，我就一脸懵逼。别人处理论文数据两天，我处理论文数据2个月。
虽说对于数据库没有很深的理解，但我知道，我们平时最常用的是Oracle和IBM的数据库，而其他的国产数据库基本上都没有听说过。
从一个不太懂技术的妹子的角度来说，用谁家的数据库都无所谓，只要是好用就好了。但是，对于大的企业和国家来说，用谁家的数据库却至关重要。
数据库中储存着大量的关键数据，而数据就意味着信息，信息就意味着情报，情报就意味着价值。在数据分析和处理技术越来越成熟之后，大量的数据背后能推测出来的信息量超乎想象。
如果说国内的大小公司甚至一些国防军工等安全部门不能都在用国外的数据库的话，那么我们的信息安全自然也无法保障。更何况，国外对于国内的这些信息也虎视眈眈。
大家都听说了，前段时间甲骨文也就是oracle在中国区的裁员，900多个甲骨文中国的员工被迫签署裁员协议。关键原因就是因为oracle在中国的业绩大幅度下滑，Oracle垄断了中国数10年，而如今却面临着退出中国市场的危机。
造成这个局面的原因有两个：
第1个是国内去IOE潮（去掉IBM的小型机、Oracle数据库、EMC存储设备），本来阿里是oracle在亚太地区最大的客户，而10年前阿里选择去IOE，发展自己的云计算业务，成立了现在的阿里云。
第2个是因为在中国的企业都在上云。如今的技术已经非常成熟，工信部也大力支持，很多传统企业已经体验到了上云带来的好处，进一步推动了其他企业使用云服务。
目前，国内的云数据库业务发展飞速，包括阿里云、腾讯云、UC cloud，都走在发展的前列，核心技术数据的保护和挖掘以及价格上也已经越来越有竞争优势。
我们知道阿里面临着每年双11和618的高并发访问，每天上亿次的访问，在高峰期间每秒钟成交数量上千万，对于数据库的处理要求极高。而现在这几年，阿里的所有数据早都前移到了阿里云上，我们也看到了成果，这些年的双11表现非常出色。
2017年的时候，阿里云公布了国内首个企业级关系云数据库PolarDB的技术架构，中国数据库的技术也真正开始往世界一流的方向去走。
简单来说PolarDB的优势就是，它的存储容量完全不受限制，并且性能的提升是MySQL的6倍。而且还能实现传统数据库到这个数据库的快速迁移，简直是对传统数据库的当头一击。
同时也带来了成本的降低，云服务最大的好处就是数据量自动伸缩，用户只需要为实际的使用容量付费，算下来，云数据库的成本不到传统数据库的1/6。
根据Gardener公司的预测，2023年全球3/4的数据库都会跑到云上。就像马车早晚会被汽车取代一样，传统数据库早晚也会被云数据库所取代。而国内的几大厂商在云数据库研发中也走在了前列，逐渐发展出各自的优势，有的在性价比很高，有的在操作上容易上手，可以给需求不同的企业作为选择。
目前来看，国内云数据库的发展情况是非常乐观的。但翻过数据库这座大山，前面依然有很长的路要走，也期待国内的云数据库技术越来越成熟，占据世界的数据库市场。
最后附上一张图。中国数据库40年发展历史。
计算机行业前景怎么样？
首先，计算机专业一直是人们口中的热门专业。
近年来，高校的计算机专业也不断扩招。随着互联网的发展，计算机专业人才的缺乏也没有得到有效缓解。（注意：计算机行业并不缺人，缺的是人才）国内的软件开发人才，网络技术、信息安全等方面的人才缺乏比较严重。那些高水平的系统分析师，资深项目策划人员非常少，从事程序开发的程序员也比较缺乏。
计算机就业方向软件方向，软件就业方向有软件开发，软件架构师，软件测试，应用软件(包括手机程序)的调试、运行、测试、维护及质量管理等技术岗位的工作。JAVA软件开发，软件公司中Java软件工程师、网络工程师、数据库工程师等相关职位。网络方向，IT企业、政府机关电力、电信等各个行业从事计算机网络建设、运行、维护和管理工作。简而言之：用技术手段来改造世界。
计算机的就业趋势从总体上讲，社会对计算机人才总需求量有明显变化，但毕业生就业岗位分布和岗位层次将更加宽泛，需求的主体由政府机关、金融单位、电信系统、国有企业转向教育系统、非公有制经济实体等中小用人单位，由于毕业生人数剧增，就业率与供求比例明显相差大。
企业是吸纳人才的主力，随着国有企业改革步伐加大，对高新技术人才、计算机专业大学生的需求会迅速增长，高新技术企业每年产值增长在20%以上，中国加入WTO，外国资本、公司的涌入，需要招聘大批高素质的计算机专业人才，毕业生的就业选择和人才流动会偏向外资企业。
计算机专业就业前景随着科技的进步和信息事业的发展，尤其是计算机技术的发展与网络应用的逐渐普及。计算机已成为人们工作和生活中不可缺少的东西。IT行业迅猛发展，就业工作岗位也比比皆是。在最近几年内IT在职场排行榜中仍旧处于所有行业中的“老大”。（程序员的薪资还是十分靠谱的）
计算机专业学生就业方向也应该有所提高。虽然说计算机这行就业单位很多，但是面临的竞争也非常激烈。只有对基础知识的学习才可以受用终身。未来的大趋势：云计算，大数据，人工智能。未来的人才必然是跨行业的人才，也就是所谓的互联网+，所以不能局限于计算机这个领域，应该要结合某个特定行业。
