大数据技术体系及人才需求课件

• 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。
学习交流PPT
14
RDD 行动操作
• 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
学习流PPT
5
大数据行业应用
• 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 对抗学习交P流MPPT2.5
学习交流PPT
16
基本统计
• 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
学习交流PPT
17
学习交流PPT
21
降维
• 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
学习交流PPT
22
大数据分析岗位要求
• 1.熟悉数据分析的工作过程，了解数据采集、 整理、分析和建模工作中的具体 工作。
学习交流PPT
3
大数据与其他技术的关系
• 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
学习交流PPT
4
大数据应用场景
• 1.趋势分析 • 2.行为分析 • 3.关系分析 • 4.异常检测
6
大数据岗位需求
• 1.数据科学家 • 2.大数据算法工程师 • 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
学习交流PPT
7
什么是大数据？
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。
• 三要强化安全保障，提高管理水平，促进健
康发展。
学习交流PPT
2
大数据行业趋势
• 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。
• 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。
学习交流PPT
• 2. 熟悉Hadoop或Spark生态相关技术，包括 MapReduce、hdfs、Hive、 Mllib等
• 3.掌握一门编程语言，java,scala,python,R 等。
• 4.不断地学习相关技术，养成大数据分析的 思维习惯。
学习交流PPT
23
• 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
12
Spark VS Hadoop
• 更快的速度:内存计算下，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。
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）。
学习交流PPT
8
大数据分析过程
• 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：可视化分析结果
特征提取
•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。
学习交流PPT
18
分类回归
• 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 决策树 • ensembles of trees (Random Forests and
学习交流PPT
15
Mllib算法库
• MLlib 是Spark的可以扩展的机器学习库，由 以下部分组成：通用的学习算法和工具类， 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 在测试集上评估模型。
• 多集群： Spark 支持 Hadoop YARN，
Apache Mesos，及其自带的独立集群管理器
学习交流PPT
13
RDD 转化操作
• 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true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
学习交流PPT
9
学习交流PPT
10
Hadoop技术体系
• 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。
学习交流PPT
11
Spark技术体系
Gradient-Boosted Trees) 多种树（随机森林 和梯度增强树）
学习交流PPT
19
聚类
• 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
学习交流PPT
20
协同过滤与推荐
• 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) )
大数据技术体系及人才需求
学习交流PPT
1
大数据国家战略
• 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。
• 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，Seq[V]) 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中的所有元素都在一起的数据集