大数据技术体系及人才需求

1、大数据技术体系及人才需求 主讲：刘军辉 1 经李克强总理签批，2015年9月，国务院印发促进 大数据发展行动纲要系统部署大数据发展工作。 纲要部署三方面主要任务： 一要加快政府数据开放共享，推动资源整合，提升 治理能力。 二要推动产业创新发展，培育新兴业态，助力经济 转型。 三要强化安全保障，提高管理水平，促进健康发展。 大数据国家战略 2 1.政府数据将成为地方政府最重要的资产。 2.大数据四要素是预警、预测、决策、智能。 3.中国大数据70%的需求集中在政府和金融应用。 4.大数据产业与传统产业深度融合。 5.数据源服务商构建大数据生态圈。 6.大数据智能会逐步取代搜索引擎。 大数据行业趋

2、势 3 1.物联网：为大数据分析提供数据源 2.云计算：为大数据分析提供计算平台 3.虚拟现实：为大数据分析提供应用场景 5.人工智能：模型训练需要依赖大量数据 大数据与其他技术的关系 4 1.趋势分析 2.行为分析 3.关系分析 4.异常检测 大数据应用场景 5 一、医疗大数据 看病更高效 二、生物大数据 改良基因 三、金融大数据 理财利器 四、零售大数据 最懂消费者 五、电商大数据 精准营销法宝 六、农牧大数据 量化生产 七、交通大数据 畅通出行 八、教育大数据 因材施教 九、舆情监控大数据 名探柯南 十、环保大数据 对抗PM2.5 大数据行业应用 6 1.数据科学家 2.大数据算法工程师

3、 3.数据规划师 4.数据分析师 5.大数据系统架构师 6.大数据开发工程师 7.大数据运维工程师 大数据岗位需求 7 一种规模大到在获取、存储、管理、分析方面大大 超出了传统数据库软件工具能力范围的数据集合，具 有海量的数据规模、快速的数据流转、多样的数据类 型和价值密度低四大特征。 大数据的5V特点：Volume（大量）、Velocity（高 速）、Variety（多样）、Value（低价值密度）、 Veracity（真实性）。 什么是大数据？ 8 大数据处理之一：采集数据 大数据处理之二：导入数据并进行预处理 大数据处理之三：进行统计与分析 大数据处理之四：对数据进行挖掘 大数据处理之五

4、：可视化分析结果 大数据分析过程 9 10 HDFS：分布式文件系统，解决大数据存储问题。 MapReduce：分布式计算框架，解决大数据计算问题。 HBase: 列存储数据库，解决数据检索问题。 Hive：数据仓库工具，解决数据挖掘问题。 Hadoop技术体系 11 Spark Core: 包括任务调度、内存管理、错误恢复、 与存储系统交互，RDD的API定义。 Spark SQL: 用来操作结构化数据。 Spark Streaming: 用来操作实时的流数据。 Mllib：提供机器学习算法库。 GraphX: 用来操作图形，可以进行并行图计算。 Spark技术体系 12 更快的速度:内存计

5、算下，Spark 比 Hadoop 快100倍。 易用性:Spark 提供了80多个高级运算符。 通用性:Spark 提供了大量的库，包括SQL、 DataFrames、MLlib、GraphX、Spark Streaming。 多语言：Spark 支持Scala、python、java、R 等多种 开发语言。 多集群： Spark 支持 Hadoop YARN，Apache Mesos， 及其自带的独立集群管理器 Spark VS Hadoop 13 map :返回一个新的分布式数据集，由每个原元素经过func函数转换后组成 filter: 返回一个新的数据集，由经过func函数后返回值为t

6、rue的原元素组成 flatMap: 类似于map，但是每一个输入元素，会被映射为0到多个输出元素 sample(withReplacement, frac, seed) :根据给定的随机种子seed，随机抽样出 数量为frac的数据 union: 返回一个新的数据集，由原数据集和参数联合而成 groupByKey:在一个由（K,V）对组成的数据集上调用，返回一个（K，SeqV) 对的数据集。 reduceByKey : 在一个（K，V)对的数据集上使用，返回一个（K，V）对的数 据集， Join：在类型为（K,V)和（K,W)类型的数据集上调用，返回一个（K,(V,W)对， 每个key中的所

7、有元素都在一起的数据集 groupWith: 在类型为（K,V)和(K,W)类型的数据集上调用，返回一个数据集。 cartesian: 笛卡尔积。但在数据集T和U上调用时，返回一个(T，U）对的数据 集，所有元素交互进行笛卡尔积。 RDD 转化操作 14 reduce(func):通过函数func先聚集各分区的数据集，再聚集分区之间的数据， func接收两个参数，返回一个新值，新值再做为参数继续传递给函数func，直到 最后一个元素 collect():以数据的形式返回数据集中的所有元素给Driver程序，为防止Driver程 序内存溢出，一般要控制返回的数据集大小 count()：返回数据集

8、元素个数 first():返回数据集的第一个元素 take(n):以数组的形式返回数据集上的前n个元素 top(n):按默认或者指定的排序规则返回前n个元素，默认按降序输出 takeOrdered(n,ordering): 按自然顺序或者指定的排序规则返回前n个元素 RDD 行动操作 15 MLlib 是Spark的可以扩展的机器学习机器学习库，由以下部 分组成：通用的学习算法算法和工具类，包括分类，回 归，聚类，协同过滤，降维等。 使用Mllib 的步骤： 1.用字符串RDD表示 信息。 2.运行特征提取算法，返回向量RDD。 3.对向量RDD调用分类算法 。 4.使用评函数 在测试集上评估

9、模型。 Mllib算法库 16 summary statistics 概括统计 correlations 相关性 stratified sampling 分层取样 hypothesis testing 假设检验 random data generation 随机数生成 基本统计 17 主要用来从数据中提取特征 TF-IDF：词频逆文档频率 HashintDF:从一个文档中计算出给定大小的词频向量。 特征提取 18 分类回归的应用是根据 对象的特征预测结果 linear models 线性模型（支持向量机，逻辑回归， 线性回归） naive Bayes 贝叶斯算法 decision trees

10、决策树 ensembles of trees (Random Forests and Gradient- Boosted Trees) 多种树（随机森林和梯度增强树） 分类回归 19 聚类主要用于数据探索和异常检测 Clustering 聚类k-means k均值算法 聚类 20 协同过滤是一种根据用户对各种产品的交互与评分 来推荐系统的技术 alternating least squares (ALS) (交替最小二乘法 (ALS) ) 协同过滤与推荐 21 减少特征的数量 使模型训练更加高效，忽略一些无 用的维度。 singular value decomposition (SVD) 奇异值分解 principal component analysis (PCA) 主成分分析 降维 22 1.熟悉数据分析