世界包含的多得難以想象的數(shù)字化信息變得更多更快……從商業(yè)到科學(xué)，從*到藝術(shù)，這種影響無處不在?？茖W(xué)家和計算機工程師們給這種現(xiàn)象創(chuàng)造了一個新名詞：“大數(shù)據(jù)”。大數(shù)據(jù)時代什么意思?大數(shù)據(jù)概念什么意思?大數(shù)據(jù)分析什么意思?所謂大數(shù)據(jù)，他的來源在哪里，講了那么多，那么數(shù)據(jù)挖掘是什么呢?以下是小編為你整理的大數(shù)據(jù)該如何學(xué)習(xí)

大數(shù)據(jù)下的數(shù)據(jù)挖掘 ?

數(shù)據(jù)挖掘：在大型數(shù)據(jù)庫中，通過分析發(fā)現(xiàn)有用信息的過程。在前篇文章中說到大數(shù)據(jù)的存儲等問題，面臨新的數(shù)據(jù)集帶來的問題時，傳統(tǒng)的數(shù)據(jù)分析技術(shù)往往會遇到很多實際困難。下面我們來說一下具體的問題。 ?

可伸縮：如果數(shù)據(jù)挖掘算法要處理海量數(shù)據(jù)集，則算法必須是可伸縮的(scalable)許多的數(shù)據(jù)挖掘算法使用特殊的搜索策略處理指數(shù)級搜索問題。為實現(xiàn)可伸縮可能還需要實現(xiàn)新的數(shù)據(jù)結(jié)構(gòu)，才能有效的訪問每個記錄。 ?

高維性：現(xiàn)在，常常遇到具有成敗上千屬性的數(shù)據(jù)集，而不是幾十年前的只具備少量屬性的數(shù)據(jù)集。

異種數(shù)據(jù)和復(fù)雜數(shù)據(jù)：通常情況下，傳統(tǒng)的數(shù)據(jù)分析方法只處理包含相同類型屬性的數(shù)據(jù)集，或者是連續(xù)的，或者是分類的。 隨著數(shù)據(jù)挖掘在商務(wù)、科學(xué)、醫(yī)學(xué)和其他領(lǐng)域的作用越來越大，越來越需要處理異種屬性的技術(shù)。近年來，已經(jīng)出現(xiàn)了更復(fù)雜的數(shù)據(jù)對象。這些非傳統(tǒng)的數(shù)據(jù)類型的 例子有：含有半結(jié)構(gòu)話文本和超鏈接的Web葉面集、具有序列和三維結(jié)構(gòu)的DNA數(shù)據(jù)、包含地球表面不同位置上的時間序列測量值的氣象數(shù)據(jù)等等。 ?

數(shù)據(jù)的所有權(quán)與分布：有時，需要分析的數(shù)據(jù)并非存放在一個站點，或者歸屬一個機構(gòu)，而是地理上分布在屬于多個機構(gòu)的資 源中。這就需要開發(fā)分布式數(shù)據(jù)挖掘技術(shù)。分布式數(shù)據(jù)挖掘算法面臨的主要挑戰(zhàn)包括：(1)如何降低執(zhí)行分布式計算的通信量?(2)如何有效的同意從多個資源 得到的數(shù)據(jù)挖掘結(jié)果?(3)如何處理數(shù)據(jù)安全性問題? ?

非傳統(tǒng)的分析：傳統(tǒng)的統(tǒng)計方法基于一種假設(shè)——檢驗?zāi)Ｊ?，即提出一種假設(shè)，設(shè)計實驗來收集數(shù)據(jù)，然后針對假設(shè)來進行分析數(shù)據(jù)。但是，這一過程勞力費神。當(dāng)前的數(shù)據(jù)分析人物常常需要產(chǎn)生和評估數(shù)千鐘假設(shè)，因此需要自動地產(chǎn)生和評估假設(shè)，這促使人們開發(fā)了一些數(shù)據(jù)挖掘技術(shù)。 ?

大數(shù)據(jù)遭受異常流量攻擊 ?

大數(shù)據(jù)所存儲的數(shù)據(jù)非常巨大，往往采用分布式的方式進行存儲，而正是由于這種存儲方式，存儲的路徑視圖相對清晰，而數(shù)據(jù)量過大，導(dǎo)致數(shù)據(jù)保護，相對簡單，黑客較為輕易利用相關(guān)漏洞，實施不法操作，造成安全問題。由于大數(shù)據(jù)環(huán)境下終端用戶非常多，且受眾類型較多，對客戶身份的認(rèn)證環(huán)節(jié)需要耗費大量處理能力?！　∮捎贏PT攻擊具有很強的針對性，且攻擊時間長，一旦攻擊成功，大數(shù)據(jù)分析平臺輸出的最終數(shù)據(jù)均會被獲取，容易造成的較大的信息安全隱患。 ?

在對大數(shù)據(jù)進行數(shù)據(jù)采集和信息挖掘的時候，要注重用戶隱私數(shù)據(jù)的安全問題，在不泄露用戶隱私數(shù)據(jù)的前提下進行數(shù)據(jù)挖掘。需要考慮的是在分布計算的信息傳輸和數(shù)據(jù)交換時保證各個存儲點內(nèi)的用戶隱私數(shù)據(jù)不被非法泄露和使用是當(dāng)前大數(shù)據(jù)背景下信息安全的主要問題。同時，當(dāng)前的大數(shù)據(jù)數(shù)據(jù)量并不是固定的，而是在應(yīng)用過程中動態(tài)增加的，但是，傳統(tǒng)的數(shù)據(jù)隱私保護技術(shù)大多是針對靜態(tài)數(shù)據(jù)的，所以，如何有效地應(yīng)對大數(shù)據(jù)動態(tài)數(shù)據(jù)屬性和表現(xiàn)形式的數(shù)據(jù)隱私保護也是要注重的安全問題。*，大數(shù)據(jù)的數(shù)據(jù)遠(yuǎn)比傳統(tǒng)數(shù)據(jù)復(fù)雜，現(xiàn)有的敏感數(shù)據(jù)的隱私保護是否能夠滿足大數(shù)據(jù)復(fù)雜的數(shù)據(jù)信息也是應(yīng)該考慮的安全問題。 ?

大數(shù)據(jù)的數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)是傳統(tǒng)數(shù)據(jù)不能比擬的，在大數(shù)據(jù)的存儲平臺上，數(shù)據(jù)量是非線性甚至是指數(shù)級的速度增長的，各種類型和各種結(jié)構(gòu)的數(shù)據(jù)進行數(shù)據(jù)存儲，勢必會引發(fā)多種應(yīng)用進程的并發(fā)且頻繁無序的運行，極易造成數(shù)據(jù)存儲錯位和數(shù)據(jù)管理混亂，為大數(shù)據(jù)存儲和后期的處理帶來安全隱患。當(dāng)前的數(shù)據(jù)存儲管理系統(tǒng)，能否滿足大數(shù)據(jù)背景下的海量數(shù)據(jù)的數(shù)據(jù)存儲需求，還有待考驗。不過，如果數(shù)據(jù)管理系統(tǒng)沒有相應(yīng)的安全機制升級，出現(xiàn)問題后則為時已晚。 ?

DBA在大數(shù)據(jù)時代的發(fā)展前景 ?

成為一個DBA表面上“僅”需要SQL語言和數(shù)據(jù)庫基礎(chǔ)管理的知識，所以造成了從業(yè)者良莠不齊，舉一個極端的例子，我有一個留級兩年的同學(xué)勉強拿到畢業(yè)證后就從事了DBA。然而理論跟實際相差甚遠(yuǎn)，模擬的環(huán)境根本達(dá)不到線上要求的多用戶、高并發(fā)等壓力，僅在課堂上和自學(xué)是不能成為一個合格的DBA的，合格的DBA必須在企業(yè)中的實戰(zhàn)中走出來。一個合格的DBA必須掌握Linux基本命令和操作、數(shù)據(jù)庫備份和恢復(fù)、SQL優(yōu)化、數(shù)據(jù)庫性能優(yōu)化和至少一門腳本語言(如Python)。

?

移動互聯(lián)網(wǎng)時代雨后春筍般誕生的創(chuàng)業(yè)公司給人一種DBA的角色性變?nèi)醯腻e覺，其實任何IT公司做大后都離不開DBA這個崗位。DBA的發(fā)展前景一直很不錯，尤其在大數(shù)據(jù)的時代里，原本就一直存在的性能問題和安全問題會更加突出，這意味著企業(yè)對DBA人才的需求會越來越旺盛，同時這也意味著DBA會面臨比以往更多樣化的困難和更嚴(yán)峻的挑戰(zhàn)。加上近年來的大規(guī)模集群和自動化運維，很多以前手工維護的工作現(xiàn)在都可以通過一系列自動工具來完成，盡管讓只 會增刪改查的DBA看到了自己的可替代性，但也給對技術(shù)精益求精的DBA節(jié)約出了鉆研新技術(shù)和新知識的時間，使他們更加專注于解決所前所未有的困難。 ?

大數(shù)據(jù)時代是一個以數(shù)據(jù)驅(qū)動決策的時代，數(shù)據(jù)就是企業(yè)的生命，掌握公司命脈的DBA的崗位越來越重要，作用也越來越顯著，待遇也越來越豐厚，發(fā)展前景也越來越明朗。 ?

精通Spark平臺本身提供給開發(fā)者API ?

1、精通Spark提供給開發(fā)者API系列課程1：動手構(gòu)建Spark集群 ?

1.1 動手構(gòu)建Hadoop集群 ?

1.2 動手構(gòu)建Spark集群 ?

1.3 測試Spark集群 ?

2、精通Spark提供給開發(fā)者API系列課程2：編寫Spark程序 ?

2.1 程序數(shù)據(jù)的來源：File、HDFS、HBase、S3等 ?

2.2 IDE環(huán)境構(gòu)建 ?

2.3 Maven ?

2.4 sbt. ?

2.5 編寫并部署Spark程序的實例 ?

3、精通Spark提供給開發(fā)者API系列課程3：SparkContext解析 ?

3.1 源碼剖析SparkContext ?

3.2 Scala、Java、Python使用SparkContext ?

3.3 加載數(shù)據(jù)成為RDD ?

3.4 把數(shù)據(jù)物化 ?

4、精通Spark提供給開發(fā)者API系列課程4：深入實戰(zhàn)RDD ?

4.1 DAG ?

4.2 深入實戰(zhàn)各種Scala RDD Function ?

4.3 Spark Java RDD Function ?

4.4 RDD的優(yōu)化問題 ?

5、精通Spark提供給開發(fā)者API系列課程5：Spark程序的測試 ?

5.1 編寫可測試的Spark程序 ?

5.2 Spark測試框架解析 ?

5.3 Spark測試代碼實戰(zhàn) ?

6、精通Spark提供給開發(fā)者API系列課程6：Spark程序的優(yōu)化 ?

6.1 Logs ?

6.2 并發(fā) ?

6.3 內(nèi)存 ?

6.4 垃圾回收 ?

6.5 序列化 ?

6.6 安全 ?