如何做大数据

㈠ 转行大数据应该怎么做

首先大数据的就业方向有：数据挖掘、数据分析&机器学习方向、大数据运维&云计算方向、Hadoop大数据开发方向。转行，得先选定发展方向。同时，要根据自己的自身情况和兴趣爱好来选择岗位。

其次，明白大数据要学的主要内容，首先要学习Java根底，学大数据课程之前要先学习一种核算机编程言语。Java是大数据学习需求的编程言语根底，由于大数据的开发根据常用的高档言语。而且不论是学习hadoop，还是数据发掘，都需求有编程言语作为根底。因而，假如想学习大数据开发，把握Java根底是必不可少的。还要学习大数据中心常识Hadoop生态体系;HDFS技术;HBASE技术;Sqoop运用流程;数据仓库东西HIVE;大数据离线剖析Spark、Python言语;数据实时剖析Storm;音讯订阅分发体系Kafka等。假如把大数据比作容器，那么这个容器的容量无限大，什么都能往里装，大数据离不开物联网，移动互联网，大数据还和人工智能、云核算和机器学习有着千丝万缕的联系，大数据海量数据存储要高扩展就离不开云核算，大数据核算剖析采用传统的机器学习、数据发掘技术会比较慢，需求做并行核算和分布式核算扩展。

最后，还要选择学习方式，学习方式一般就是自学和培训，自学一般学习时间比较长，难度比较大，对于转行急需就业的小伙伴来讲，选择第二种方式比较好，时间消耗短，学习知识系统，对于以后就业可能有一定的帮助。

关于转行大数据应该怎么做，青藤小编就和您分享到这里了。如果你对大数据工程有浓厚的兴趣，希望这篇文章能够对你有所帮助。如果您还想了解更多数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

㈡ 大数据分析怎么做求大数据前辈指点

1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计 学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如 果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数据处理： 自然语言处理(NLP，Natural Language Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析： 假设检验、显着性检验、差异分析、相关分析、T检验、 方差分析 、 卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、 因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数据挖掘： 分类 （Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。

大数据的处理
1. 大数据处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的 数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除 此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户 来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间 进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这 些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使 用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通 的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于 MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数 据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于 统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并 且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。

整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
希望帮到你，请采纳

㈢ 大数据怎么做

如果对大数据了解不多的话建议体系化的看课程视频跟着多易教育的老师好好学习学习。

㈣ 互联网公司是如何做大数据的

互联网公司是如何做大数据的
大数据”炙手可热，很多企业都不会错失机会，谷歌已经从一个网页索引发展成为一个实时数据中心枢纽，可以估量任何可以测量的数据，将输入的查询与所有可用数据相匹配，确定用户查找的信息;对脸谱网来说大数据就是“人”，公司也利用这一点在十几年之内成为世界上最大的公司之一。
亚马逊通过分析用户习惯，将用户与其他可能符合用户需求的产品和建议相匹配;领英帮助求职者根据自己的技能和经验来匹配空缺职位，帮助招聘人员找到与特定资料相匹配的人才，这些都是大数据应用的典型例子，但也只是其中一部分，越来越多的数据易获得，复杂工具也会随之涌现，大数据的利用可以改变我们个人生活和商业活动。
当下，每个人都听说过人们如何利用大数据治愈癌症、终结恐怖主义和养活饥饿人口来改变世界。
当然，也很明显，有些人正利用它来赚大钱——据估计，到2030年，世界经济将增加15万亿美元。
很多人可能会想“那太好了，但实际上和我没什么关系。”只有拥有数百万美元资产的大型科技公司才会真正受益。那你需要大量的数据才能开始一项新的研究吗?
其实并不是这样的。事实上，利用近年在数据收集、分析上的巨大突破，很容易改善我们的个人和商业生活。很多人先前可能没有认识到这点。
以下是大数据作为日常生活工具和服务的一部分的一些细节。
谷歌——语义分析与用户画像
尽管谷歌并没有把自己标榜成数据公司，但实际上它的确是数据宝库和处理问题的工具。它已经从一个网页索引发展成为一个实时数据中心枢纽，几乎可以估量任何可以测量的数据（比如：天气信息、旅行延迟、股票和股份、购物……以及其他很多事情）。
大数据分析——也就是说，当我们进行搜索时大数据就会起作用，可以使用工具来对数据分类和理解。谷歌计算程序运行复杂的算法，旨在将输入的查询与所有可用数据相匹配。它将尝试确定你是否正在寻找新闻、事实、人物或统计信息，并从适当的数据库中提取数据。
对于更复杂的操作，例如翻译，谷歌会调用其他基于大数据的内置算法。谷歌的翻译服务研究了数以百万计的翻译文本或演讲稿，旨在为顾客提供最准确的解释。
经常利用大数据分析的对象从最大的企业到单人乐队，当他们通过谷歌的Adwords进行广告宣传时就是对大数据的利用。通过分析我们浏览的网页(很明显能看出我们喜欢什么网页)，谷歌可以向我们展示我们可能感兴趣的产品和服务的广告。广告商使用Adwords和谷歌分析等其他服务，以吸引符合其客户资料的人员到其网站和商店时，广告商就利用了大数据分析。
脸谱网——图像识别与“人”的大数据
尽管脸谱网与谷歌在市场营销上差异巨大，但实际上它们的业务和数据模式非常相似。众所周知，两个公司都选择将自己的企业形象定位重点放在大数据方面。
对谷歌来说，大数据是在线信息、数据和事实。对脸谱网来说大数据就是“人”。脸谱网让我们与朋友和家人保持联系越来越方便，利用这个巨大的吸引力，该公司在十几年之内成为世界上最大的公司之一。这也意味着他们收集了大量的数据，同时我们也可以自己使用这些大数据。当我们搜索老朋友时，大数据就会发挥作用，将我们的搜索结果与我们最有可能联系的人进行匹配。
由脸谱网开创的先进技术包括图像识别——一种大数据技术，通过利用数百万种其他图像进行训练，能教会机器识别图片或视频中的主题或细节。在我们告诉它图片中的人是谁之前，机器可以通过标签来识别图片中的人。这也是为什么，当我们的朋友分享或给图片“点赞”时，如果它发现我们喜欢看例如婴儿或猫的图片，在我们的信息流中就会看到更多这种类型的图片。
对人们兴趣及其利益的详细了解也使脸谱网能够向任何企业出售极具针对性的广告。脸谱网可以帮助企业根据详细的人口统计数据和兴趣数据找到潜在客户，或者可以仅仅让他们通过查找与企业已有客户相似的其他客户来完成他们的大数据“魔术”。
亚马逊——基于大数据的推荐引擎
亚马逊作为世界上最大的在线商店，也是世界上最大的数据驱动型组织之一。亚马逊和本文提到的其他互联网巨头之间的差别很大程度上取决于市场营销。与谷歌和一样，亚马逊提供了广泛的在线服务，包括信息搜索、关注朋友和家人的账号以及广告，但其品牌建立在最初以购物闻名的服务上。
亚马逊将我们浏览和购买的产品与全球数百万其他客户进行比较。通过分析我们的习惯，可以将我们与其他可能符合我们需求的产品和建议相匹配。大数据技术在亚马逊的应用就是推荐引擎，而亚马逊是推荐引擎的鼻祖，其也是最复杂的。除了购物，亚马逊还让客户利用自己的平台赚钱。任何在自己的平台上建立交易的人都会受益于数据驱动的推荐，从理论上讲，这将吸引合适的客户来购买产品。
领英——被筛选过的精准大数据
如果你是一名雇主，或是正在找工作的人，领英会提供一些可以帮助你的大数据。
求职者可以根据自己的技能和经验来匹配空缺职位，甚至可以找到与公司其他员工以及其他可能竞争该职位的员工的数据。
对招聘人员来说，领英的大数据可以找到与特定资料相匹配的人才，例如现任员工或前雇员。
领英对其数据采取了“围墙的花园”方式（注：“围墙花园”是相对于“完全开放”的互联网，把用户限制在一个特定的范围内，允许用户访问指定的内容），当你选择在何处寻找和使用大数据时，这个不同之处值得考虑。领英的招聘人员和申请人的服务都是由公司内部和由服务本身控制的数据进行的，而谷歌是(在美国也提供招聘信息)从大量外部资源中获取收数据。领英的方法提供了潜在的更高质量的信息，而另一方面，它可能不全面。谷歌的方法提供了更大容量的数据，但这些数据可能是你想要的，也可能不是。
这些只是应用大数据的几种方式——远非资源丰富的公司和技术精英的工具，而是我们大部分人在日常生活中已经从中受益的东西。随着越来越多的数据变得容易获取，越来越复杂的工具涌现出来，从中获得价值，肯定会有更多的数据产生。

㈤ 如何做好大数据应用

去年出版的《大数据》（涂子沛着）是从数据治国的角度，深入浅出的叙述了美国政府的管理之道，细密入微的阐释了黄仁宇先生”资本主义数目式管理“的精髓。最近人民邮电出版社又组织翻译出版了美国Bill Franks的《驾驭大数据》一书。该书的整体思路，简单来说，就是叙述了一个”数据收集-知识形成-智慧行动“的过程，不仅回答了”what“，也指明了”how“，提供了具体的技术、流程、方法，甚至团队建设，文化创新。作者首先在第一章分析了大数据的兴起，介绍了大数据的概念、内容，价值，并分析了大数据的来源，也探讨了在汽车保险、电力、零售行业的应用场景；在第二章介绍了驾驭大数据的技术、流程、方法，第三部分则介绍了驾驭大数据的能力框架，包括了如何进行优质分析，如何成为优秀的分析师，如何打造高绩效团队，最后则提出了企业创新文化的重要意义。整本书高屋建瓴、内容恣意汪洋、酣畅淋漓，结构上百川归海，一气呵成，总的来说，体系完备、内容繁丰、见识独具、实用性强，非常值得推荐，是不可多得的好书！大数据重要以及不重要的一面与大多数人的想当然的看法不同，作者认为“大数据”中的”大”和“数据”都不重要，重要的是数据能带来的价值以及如何驾驭这些大数据，甚至与传统的结构化数据和教科书上的认知不同，“大数据可能是凌乱而丑陋的”并且大数据也会带来“被大数据压得不看重负，从而停止不前”和大数据处理“成本增长速度会让企业措手不及”的风险，所以，作者才认为驾驭大数据，做到游刃有余、从容自若、实现“被管理的创新”最为重要。在处理数据时，作者指出“很多大数据其实并不重要”，企业要做好大数据工作，关键是能做到如何沙里淘金，并与各种数据进行结合或混搭，进而发现其中的价值。这也是作者一再强调的“新数据每一次都会胜过新的工具和方法”的原因所在。网络数据与电子商务对顾客行为的挖掘早已不是什么热门概念，然而作者认为从更深层次的角度看，下一步客户意图和决策过程的分析才是具有价值的金矿，即“关于购买商品的想法以及影响他们购买决策的关键因素是什么”。针对电子商务这一顾客行为的数据挖掘，作者不是泛泛而谈，而是独具慧眼的从购买路径、偏好、行为、反馈、流失模型、响应模型、顾客分类、评估广告效果等方面提供了非常有吸引力的建议。我认为，《驾驭大数据》的作者提出的网络数据作为大数据的“原始数据”其实也蕴含着另外一重意蕴，即只有电子商务才具备与顾客进行深入的互动，也才具有了收集这些数据的条件，从这点看，直接面向终端的企业如果不电子商务化，谈论大数据不是一件很可笑的事？当然这种用户购买路径的行为分析，也不是新鲜的事，在昂德希尔《顾客为什么购买：新时代的零售业圣经》一书中披露了商场雇佣大量顾问，暗中尾随顾客，用摄影机或充满密语的卡片，完整真实的记录顾客从进入到离开商场的每一个动作，并进行深入的总结和分析，进而改进货物的陈列位置、广告的用词和放置场所等，都与电子商务时代的客户行为挖掘具有异曲同工之妙，当然电子商务时代，数据分析的成本更加低廉，也更加容易获取那些非直接观察可以收集的数据（如信用记录）。一些有价值的应用场景大数据的价值需要借助于一些具体的应用模式和场景才能得到集中体现，电子商务是一个案例，同时，作者也提到了车载信息“最初作为一种工具出现的，它可以帮助车主和公司获得更好的、更有效的车辆保险”，然而它所能够提供的时速、路段、开始和结束时间等信息，对改善城市交通拥堵具有意料之外的价值。基于GPS技术和手机应用所提供的时间和位置的数据也会提供主动的、及时的推送客户关怀信息，有利于改善客户关系和创造商业机会，也可以利用它进行共同目的和兴趣的社交，这些都会带来一种令人惊奇的业务创新。在视频游戏、电信话费清单上，作者也提出了十分有价值的洞见。技术、流程、方法、组织、人、文化作者是Teradata的首席分析师，绝非是文献学专家和徒有虚名之辈，他在书中也介绍了如何利用海量并行架构（MPP），云计算、网格计算、MapRece等时下炙手可热的技术从大数据中披沙沥金，驾驭大数据。同时，作者一直在提醒我们，数据只是源，“思想才是分析之父”，“有价值和影响力的分析才是优质分析”，优质分析要符合G（Guided指导性）R（Relevant相关性）A（Explainable可行性）T（Timely及时向）原则，并且优质的分析要能提供答案、提供用户需要的东西，要能提供新的解决方案，对实际行动有指导意义，从这个角度看，它区别于报表那种标准和固定的数据呈现模式，借助于大数据分析，用户能够把握现状、预测趋势，这样才能驾驭未来。作为一个大数据的行动者和实干家，作者也结合自己的工作经验，对于如何成为优秀的分析师，给出了他的答案，那就是学历、数学和编程等技能“它们仅仅是起点而已”，优秀分析专家身上更重要的才能是“承诺、创造力、商业头脑、演讲能力和沟通技巧、直觉”，这种人一将难求，它需要分析师长期的工作经验积累，从这点看，数据分析“不能只把自己当成科学家，业内最好的分析专家毫无疑问也是艺术家”。企业的大数据探索之旅，并非一片坦途，也会充满了各种艰险，这就需要企业具有创新性的文化氛围，容忍冒险和犯错，并鼓励尝试，作者也切中肯綮的提出“关注人，而不是工具”，“打破思维定势，形成连锁反应，统一行动目标”的创新之路，供读者思考和借鉴。时异而世移，我认为，在当今社会，企业直面社会的剧烈变化，在管理工作中依赖小规模的“点子”“好主意”的传统做法已经难以应对市场的激烈竞争，企业需要从那些来自于现场、来源于客户、来源于多个时空的全方位的立体信息中找到利润的宝藏，才能获得持续增长的动力，从这个意义上看，驾驭大数据是企业驾驭未来的必经之路。

㈥ 个人如何用大数据

首先是需要有数据，然后基于数据的特征做分析处理。
个人的问题可能是没有大数据源，以及没有财力购买大数据分析工具。
譬如有大量的股票的价格信息可以做股票分析和预测，如果有房价数据（当然是一直在涨。。。），可以看看一年中合适的出手时机。
总之，一要看需求，而要看数据，三要结合工具。工具推荐免费的Hadoop等大数据工具，配合另外一些开源分析软件，但对个人挑战大。如果中小型企业，可以使用永洪科技的大数据BI。
以后可能会有大数据在线分析平台，个人可能会有更多应用可用。

㈦ 大数据如何入门

听说你想要学大数据？你确定你搞清楚概念了吗？我们来做个小测验吧：
数据分析师在公司是干什么的？
大数据和普通数据最大的区别是什么？
你的日常工作中根本接触不到大数据，你真正想学的是大数据吗？
有点蒙圈了吧。鱼君正是要帮你在最短的时间内理清这些概念，找准自己前进的方向。
大数据之“大”数据，大家会陌生吗？不会。我们每天的日常生活都会接触到数据。淘宝购物时货比三家的价格，年终考核之后发给我们的奖金，发表在知乎上的文章的评论数量，这些都是数据。
从人们会计数开始，数据就有了，数据分析也是。那么大数据呢？
说到大数据，你就绕不开互联网。在互联网出现之前，虽然政府部门和一些公共事业单位通过日积月累获得了较大量的数据，但并没有形成足够的影响力。直到互联网产品的出现，由于它收集用户数据的便利性，通常在一天之内就能够累计其他行业可能一年才能获取的数据量。
数据量的升级造成算法和硬件都必须要升级，操作起来的技术难度也就会提高很多。这个时候，就需要专业的技术和平台来完成存储，处理和分析大数据的工作。比如说，大家都听过的Hadoop平台，MapRece算法。都是大数据时代的产物。
因此，我认为，大数据的核心，就在于大。
有一定规模的互联网公司都会成立专门的大数据部门来管理自己产品所收集到的大数据。数据量越大，处理难度就越高，相应的，可能挖掘到的内涵也会更多。于是，大数据就成了一个产业，一个火热的产业。
大数据圈子里的人在大数据行业这个圈子里，公司提供的职位大致分为三类：数据分析师，数据产品经理，数据工程师。他们紧密合作，共同驱动公司的数据决策文化。
那么，着三种职位都是做什么的？又该怎么入行呢？
数据分析师
数据分析师，是使用大数据的人。核心是掌握各种数据分析工具和数据分析技能，目标是为公司管理层和产品团队提供分析报告，帮助他们做决策。
实际工作中，数据会被处理成各种不同的类型提供给数据分析师使用，有比较原始的，有比较简单好用的。因此，数据分析师需要掌握R, SQL，Excel, Python基础编程等多种技能，以及熟练掌握常用的数据分析方法。
如果你立志于成为一个数据分析师甚至数据科学家，那么我强烈建议你进行系统的学习。
数据产品经理
数据产品经理是设计数据产品的人。核心技能是数据需求分析和数据产品的设计，和其他的互联网产品经理并没有本质的不同。实际工作中，数据产品经理需要收集不同用户的数据需求并且设计出好用的数据产品提供给大家，帮助他们“用数据做决定”。
怎么入门呢？关于具体的进阶流程，我希望你听一下我在一块听听上做的讲座《4步让你成为大数据产品经理》，会为你提供非常全面的介绍。
常见的推荐入门书籍有《人人都是产品经理》，《The DatawareHouse Toolkit》，《Lean Analytics》等等。
数据工程师
数据工程师，简单分两种，一类是数据挖掘工程师，另外一类是大数据平台工程师。工程师的基本技能当然是写代码，写高质量的代码。
数据挖掘工程师主要工作是开发大数据流水线以及和数据分析师一起完成数据挖掘项目，而数据平台工程师主要工作是维护大数据平台。
因此，理工科背景出身，掌握C, C#, Python等编程/脚本语言，熟悉各种基础算法即可以胜任。
如何用数据做决策
对于那些并不想转行进入大数据圈子的人，我们要学的究竟是什么？
我相信，在我们的日常工作中，特别是业绩不佳，找不到突破口的时候，都曾想过能否用数据来帮助自己。因为我们都曾或多或少听过一些牛逼的数据案例，比如纸尿布与啤酒之类。
举一个简单的例子，你经营的餐馆现在状况不佳。你可以自己拍脑袋想一堆的新点子来尝试改善现状。你也可以，收集整理数据，通过分析找出根本原因，并提出对应解决方案，从而扭转局面。后者听起来似乎更加靠谱一些。
那么，你该收集什么数据，做什么分析，这就是你需要学习的：“如何用数据做决策”。从这个角度讲，我认为：
人人都应该是数据分析师
学习系统的数据决策和数据分析思维，我们可以从这篇文章开始：从0到1搭建数据分析知识体系。我自己工作中常用的数据分析方法都被囊括在里面，如果趋势分析，多维分解，用户分群，漏斗分析等等。请不要小看一篇文章，知识在精不在多。
你还可以从一本简单好读的《谁说菜鸟不会数据分析》开始搭建你的数据分析思维。
关于数据分析的书籍太多了，众口难调，随便一搜就有一大堆推荐。而其中所讲的知识和理论其实都是类似的。最终要让他们发挥作用，还是要和实践结合起来。
因此，我认为，在自己的生意和工作中多实践数据分析，多思考，遇到问题多在社群中提问和大家探讨，是最好的学习办法。我自己也一直是这样践行的。
带着问题去学习，是最好的方式。
在这个过程中，随着你对数据的深入了解，掌握更多的数据分析语言和工具。从Excel到SQL，甚至到R和Python。你所能使用的数据量也会越来越大。但你大可不必一开始就扎入这些工具的学习中，那样会收效甚微。

㈧ java 大数据怎么做

Java是编程语言；
大数据是一个概念，包含的技术较多，比如Hadoop、Spark、Storm等；
学习大数据先要学习Java，Java是基础，而大数据比较核心的两个课程是HADOOP、SPARK。

㈨ 怎样学习大数据

首先我们要了解Java语言和Linux操作系统，这两个是学习大数据的基础，学习的顺序不分前后。

Java ：只要了解一些基础即可，做大数据不需要很深的Java 技术，学java SE 就相当于有学习大数据基础。

Linux：因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。

Hadoop：这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapRece和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapRece是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。

Zookeeper：这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。

Mysql：我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。

Sqoop：这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。

Hive：这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapRece程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。

Oozie：既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapRece、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。

Hbase：这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。

Kafka：这是个比较好用的队列工具，队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方(比如Kafka)的。

Spark：它是用来弥补基于MapRece处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。

㈩ 专业人士告诉你如何才能做好大数据分析

大数据，想必大家近几年都有所耳闻或者已经如雷贯耳了，诚然，大数据的的火爆基本上可谓在大城市人尽皆知了，但是大家可能不知道的是，大数据分析得定义或概念到底是什么。且不说新出的人工智能，就大数据而言，我们一直在强调大数据的技术，大数据技术其实是我们的畅想而已，而且人工智能也离不开大数据分析的支撑，但是大数据怎么去分析呢，如何才能做好大数据分析？一般需要对数据进行获取、打通、整合、找到规律，以及立即决策。
大数据定义是什么
很多科学家对于大数据都有一定的定义，比如麦肯锡对于大数据的定义就是“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。”其实就是将获取的数据进行打通、整合、找寻规律、立即决策。这样，通过大数据的分析去找到自己想要的信息。
一、如何进行数据获取呢？

数据的获取一般需要找到数据源。一般来说，数据源可分类三类：
1.通过广告投放来获得数据
很多的数据都是通过广告来获得的，从广告获取数据的途径有很多，比如广告的展示量，活动页的点击率，广告的来源等方面。很多的公司企业将这些通过广告获得的数据作为第三方数据，也存在有些广告监测公司会这些此数据和人群数据进行整合，通过构建自己的数据库去给别人进行分析，这样的公司一般被称为第三方公司。
2.通过用户的行为获取数据
很多用户的行为也可以从中提取出一些数据，比如某个用户在购买的理财产品的时候，通过记录购买的时间、姓名、电话等数据，大体就能够掌握某一个群体的行为习惯，这些数据可以叫做用户行为数据。这些数据经常被搜集并且备用。从而为大数据分析提供很多不错的，有价值的数据。
3.公开数据
公开数据就是我们能够从各种渠道直接获取的数据，例如行业协会的数据，或者互联网行为数据。

二、数据的打通
数据的打通就是利用数据的重要部位的采集整合数据。一般来说，可以通过手机号将一方和三方数据整合，或者利用cookie，或者imei号等将各个方面的数据整合。不过由于现在监管制度对手机号敏感数据的控制，使得很多数据之间的打通存在很大的挑战。
三、从数据中找寻规律
从数据中找寻规律的目的就是数据清理。清理数据就能够板数据中的肮脏数据进行清除，从而净化数据环境，一般来讲，把非结构化数据变成结构化数据，这样方便统计，在数据探索中找寻规律，形成数据分析报告观点。
四、从数据分析中立即决策
将数据分析报告中的观点系统化或产品化，目前而言，大部分公司还是会依靠人工决策。
很多人有会问，为什么需要大数据分析？看上去大数据分析似乎按照这些步骤来，但是从第一步的数据源来说，其实已经反应了大数据的特点，就是杂乱无章，那么怎么从这些数据找寻规律，分析的内容和目标是否对应上，就是我们研究分析大数据的意义。对于大数据的分析主题步骤就是上述提到的数据获取、数据打通、在数据中找寻规律、最后做出决策。希望这篇文章能够帮助大家更好的了解大数据。