大数据技术体系及人才需求

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
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
A
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
A
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。
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。
A
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
A
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。
A
3
大数据与其他技术的关系
A
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
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
A
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
A
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PM2.5
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）。
A
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
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
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。
A
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、
A
9
A
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。
A
11
Spark技术体系
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。
大数据技术体系及人才需求
主讲：刘军辉
A
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Biblioteka Baidu，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。
A
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。
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
A
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