① 大神，關於大數據處理方面的書籍有推薦嗎
《大數據處理之來道》作者：自何金池
分析比較了當下流行的大數據處理技術的優劣及適用場景，包括Hadoop、Spark、Storm、Dremel、Drill等，詳細分析了各種技術的應用場景和優缺點;同時闡述了大數據下的日誌分析系統，重點講解了ELK日誌處理方案;最後分析了大數據處理技術的發展趨勢，重點從各種技術的起源、設計思想、架構等方面闡述大數據處理之道。
② 大數據分析領域有哪些分析模型
數據角度的模型一般指的是統計或數據挖掘、機器學習、人工智慧等類型的模型，是純粹從科學角度出發定義的。
1. 降維
在面對海量數據或大數據進行數據挖掘時，通常會面臨「維度災難」，原因是數據集的維度可以不斷增加直至無窮多，但計算機的處理能力和速度卻是有限的；另外，數據集的大量維度之間可能存在共線性的關系，這會直接導致學習模型的健壯性不夠，甚至很多時候演算法結果會失效。因此，我們需要降低維度數量並降低維度間共線性影響。
數據降維也被成為數據歸約或數據約減，其目的是減少參與數據計算和建模維度的數量。數據降維的思路有兩類：一類是基於特徵選擇的降維，一類是是基於維度轉換的降維。
2. 回歸
回歸是研究自變數x對因變數y影響的一種數據分析方法。最簡單的回歸模型是一元線性回歸（只包括一個自變數和一個因變數，且二者的關系可用一條直線近似表示），可以表示為Y=β0+β1x+ε，其中Y為因變數，x為自變數，β1為影響系數，β0為截距，ε為隨機誤差。
回歸分析按照自變數的個數分為一元回歸模型和多元回歸模型；按照影響是否線性分為線性回歸和非線性回歸。
3. 聚類
聚類是數據挖掘和計算中的基本任務，聚類是將大量數據集中具有「相似」特徵的數據點劃分為統一類別，並最終生成多個類的方法。聚類分析的基本思想是「物以類聚、人以群分」，因此大量的數據集中必然存在相似的數據點，基於這個假設就可以將數據區分出來，並發現每個數據集（分類）的特徵。
4. 分類
分類演算法通過對已知類別訓練集的計算和分析，從中發現類別規則，以此預測新數據的類別的一類演算法。分類演算法是解決分類問題的方法，是數據挖掘、機器學習和模式識別中一個重要的研究領域。
5. 關聯
關聯規則學習通過尋找最能夠解釋數據變數之間關系的規則，來找出大量多元數據集中有用的關聯規則，它是從大量數據中發現多種數據之間關系的一種方法，另外，它還可以基於時間序列對多種數據間的關系進行挖掘。關聯分析的典型案例是「啤酒和尿布」的捆綁銷售，即買了尿布的用戶還會一起買啤酒。
6. 時間序列
時間序列是用來研究數據隨時間變化趨勢而變化的一類演算法，它是一種常用的回歸預測方法。它的原理是事物的連續性，所謂連續性是指客觀事物的發展具有合乎規律的連續性，事物發展是按照它本身固有的規律進行的。在一定條件下，只要規律賴以發生作用的條件不產生質的變化，則事物的基本發展趨勢在未來就還會延續下去。
7. 異常檢測
大多數數據挖掘或數據工作中，異常值都會在數據的預處理過程中被認為是「噪音」而剔除，以避免其對總體數據評估和分析挖掘的影響。但某些情況下，如果數據工作的目標就是圍繞異常值，那麼這些異常值會成為數據工作的焦點。
數據集中的異常數據通常被成為異常點、離群點或孤立點等，典型特徵是這些數據的特徵或規則與大多數數據不一致，呈現出「異常」的特點，而檢測這些數據的方法被稱為異常檢測。
8. 協同過濾
協同過濾（Collaborative Filtering，CF)）是利用集體智慧的一個典型方法，常被用於分辨特定對象（通常是人）可能感興趣的項目（項目可能是商品、資訊、書籍、音樂、帖子等），這些感興趣的內容來源於其他類似人群的興趣和愛好，然後被作為推薦內容推薦給特定對象。
9. 主題模型
主題模型（Topic Model），是提煉出文字中隱含主題的一種建模方法。在統計學中，主題就是詞彙表或特定詞語的詞語概率分布模型。所謂主題，是文字（文章、話語、句子）所表達的中心思想或核心概念。
10. 路徑、漏斗、歸因模型
路徑分析、漏斗分析、歸因分析和熱力圖分析原本是網站數據分析的常用分析方法，但隨著認知計算、機器學習、深度學習等方法的應用，原本很難衡量的線下用戶行為正在被識別、分析、關聯、打通，使得這些方法也可以應用到線下客戶行為和轉化分析。
③ 市面上大數據的書不少，如果只挑一本，哪本值得推薦
市場上大數據的說不少，但是你要挑一本的話，其實我還是覺得你在網路上選擇一些自己可以公開的數據。因為每個人需要的每個程度的書是不一樣的，你可以選擇購買一些書的電子版本。電子版本反而比書籍會更好一點。
④ 大數據入門書籍有哪些
1：<大數據時代>
這是學習大數據必讀的一本書，也是最系統的關於大數據概念的一本書，由維克托·邁爾-舍恩伯格和肯尼斯·庫克耶編寫，主要介紹了大數據理念和生活工作及思維變革的關系。
它被包括寬頻資本董事長田朔寧、知名IT評論人謝文等專業讀者鑒定為「大數據領域最好的著作沒有之一，一本頂一萬本」。有這么好嗎？看完自己評價吧。這本書對這個大規模產生、分享和應用數據的新的大時代進行了闡述和釐清，作者圍繞「要全體不要抽樣、要效率不要絕對精確、要相關不要因果」三大理念，通過數十個商業和學術案例，剖析了萬事萬物數據化和數據復用挖掘的巨大價值。
2：<爆發>
由巴拉巴西編寫，主要講了在一個歷史故事的連續講述中，了解大數據的概念實質。從大數據的歷史開始，能更深入的了解大數據的發展歷程。
巴拉巴西整本書講述的大數據根本目的，是預測。他甚至有零有整地判斷，人類行為93%是可以預測的。打個比方，千百年前人類無法如今天般准確預測天氣，以致某些大致預測的行為都被認為是「通神」，其實核心在於對天氣數據的海量佔有和分析能力。但假如全人類的所有基礎及行為數據全部被佔有全部能分析呢？比如通過智能終端LBS功能採集全部運動軌跡、通過金融系統採集所有支付記錄、通過SNS採集所有社會關系和通過郵件、文檔、社會視頻監控和自我視頻監測採集所有言行記錄，24小時，每分每秒，一生，全地球70億人，那會如何？
3：<大數據>
由徐子沛編寫，看美國政府在大數據開放上的進程與反復，算是個案。如果能夠基本了解這三本的觀點，出門有底氣，見人腰桿直，不再被忽悠。
全書講述的，是大數據在美國政府管理中的應用，以及美國政府運行方式大數據變革的歷史與斗爭，其實也是故事性的。從奧巴馬上台就頒布《信息公開法案》，到設立第一個美國政府首席信息官開始，講述美國政府與民間在社會數據公開的斗爭史，以及美國社會管理向大數據思維轉變的過程。首先，這算是一個最詳實的案例；其次，這代表的不是某種管理方式變革，深處是對民主運行機制的變革與進步。說好了，這本書用心良苦，遠遠超越科普技術領域；說壞了，其心可誅。有一段，民間斗爭，逼迫奧巴馬公布所有每日白宮全部日程，包括接見了誰、談話的全部內容，這不就是個人大數據全公開在公眾人物上的應用嗎？這可比現在所謂官員公開財產的要求高了幾十倍——這要求政府全部行為、全部數據、全部公開，全體公眾隨時可查——技術和成本上其實
⑤ 從事大數據分析相關工作，需要具備什麼條件
1.你需要有應用數學、統計學、數量經濟學專業本科或者工學碩士層次水平的數學知識背景。
2、至回少熟練SPSS、STATISTIC、Eviews、SAS等數據答分析軟體中的一門。
3、至少能夠用Acess等進行資料庫開發；
4、至少掌握一門數學軟體：matalab，mathmatics進行新模型的構建。
5、至少掌握一門編程語言，如Python；
6、資料庫語言
1）熟悉linux操作系統及至少一種腳本語言(Shell/Perl/Python)；
2）有分布式平台（如Hadoop）開發經驗者優先；
3）熟悉資料庫原理及SQL基本操作。
⑥ 推薦一本關於大數據，數據分析類似的書籍
1、《Hadoop權威指南》
現在3.1版本剛剛發布，但官方並不推薦在生產環境使用。作為hadoop的入門書籍，從2.x版本開始也不失為良策。
本書從Hadoop的緣起開始，由淺入深，結合理論和實踐，全方位地介紹Hadoop這一高性能處理海量數據集的理想工具。剛剛更新的版本中，相比之前的版本增加了介紹YARN , Parquet , Flume, Crunch , Spark的章節，非常適合於Hadoop 初學者。
2、《Learning Spark》
《Spark 快速大數據分析》是一本為Spark 初學者准備的書，它沒有過多深入實現細節，而是更多關註上層用戶的具體用法。不過，本書絕不僅僅限於Spark 的用法，它對Spark 的核心概念和基本原理也有較為全面的介紹，讓讀者能夠知其然且知其所以然。
3、《Spark機器學習：核心技術與實踐》
以實踐方式助你掌握Spark機器學習技術。本書採用理論與大量實例相結合的方式幫助開發人員掌握使用Spark進行分析和實現機器學習演算法。通過這些示例和Spark在各種企業級系統中的應用，幫助讀者解鎖Spark機器學習演算法的復雜性，通過數據分析產生有價值的數據洞察力。
⑦ 大數據主要學習什麼知識
首先是基礎階段。這一階段包括：關系型資料庫原理、LINUX操作系統原理及應用。在掌握了這些基礎知識後，會安排這些基礎課程的進階課程，即：數據結構與演算法、MYSQL資料庫應用及開發、SHELL腳本編程。在掌握了這些內容之後，大數據基礎學習階段才算是完成了。
接下來是大數據專業學習的第二階段：大數據理論及核心技術。第二階段也被分為了基礎和進階兩部分，先理解基礎知識，再進一步對知識內容做深入的了解和實踐。基礎部分包括：布式存儲技術原理與應用、分布式計算技術、HADOOP集群搭建、運維；進階內容包括：HDFS高可靠、ZOOKEEPER、CDH、Shuffle、HADOOP源碼分析、HIVE、HBASE、Mongodb、HADOOP項目實戰。
完成了這部分內容的學習，學員們就已經掌握了大數據專業大部分的知識，並具有了一定的項目經驗。但為了學員們在大數據專業有更好的發展，所學知識能更廣泛地應用到大數據相關的各個崗位，有個更長遠的發展前景。
第三階段叫做數據分析挖掘及海量數據高級處理技術。基礎部分有：PYTHON語言、機器學習演算法、FLUME+KAFKA；進階部分有：機器學習演算法庫應用、實時分析計算框架、SPARK技術、PYTHON高級語言應用、分布式爬蟲與反爬蟲技術、實時分析項目實戰、機器學習演算法項目實戰。
⑧ 大數據需要學習什麼樣的知識
看從事大數抄據的哪個部分。
大數據分三個部分，數據分析、大數據平台的中台和大數據底層處理。
數據分析：統計專業+一門實際業務+計算機數據分析工具。可以參考研究生BA專業。
數據中台：CS專業+大數據方向的演算法 （並行計算、機器學習一類的）。研究生起步。
數據底層處理：一定的軟體基礎+資料庫應用。本科即可。
本科不要學大數據專業，四年學不出來，幹啥啥不行。
⑨ 大數據分析方法與模型有哪些
1、分類分析數據分析法
在數據分析中，如果將數據進行分類就能夠更好的分析。分類分析是將一些未知類別的部分放進我們已經分好類別中的其中某一類;或者將對一些數據進行分析，把這些數據歸納到接近這一程度的類別，並按接近這一程度對觀測對象給出合理的分類。這樣才能夠更好的進行分析數據。
2、對比分析數據分析方法
很多數據分析也是經常使用對比分析數據分析方法。對比分析法通常是把兩個相互有聯系的數據進行比較，從數量上展示和說明研究對象在某一標準的數量進行比較，從中發現其他的差異，以及各種關系是否協調。
3、相關分析數據分析法
相關分析數據分析法也是一種比較常見數據分析方法，相關分析是指研究變數之間相互關系的一類分析方法。按是否區別自變數和因變數為標准一般分為兩類：一類是明確自變數和因變數的關系;另一類是不區分因果關系，只研究變數之間是否相關，相關方向和密切程度的分析方法。
4、綜合分析數據分析法
層次分析法，是一種實用的多目標或多方案的決策方法。由於他在處理復雜的決策問題上的實用性和有效性，而層次分析數據分析法在世界范圍得到廣泛的應用。它的應用已遍及經濟計劃和管理，能源政策和分配，行為科學、軍事指揮、運輸、農業、教育、醫療和環境等多領域。
⑩ 大數據入門書籍有哪些
當年互聯網瘋狂發展的時候，很多人在觀望和猶豫中錯過了這班順風車（沒有盡早開個淘寶店，腸子都悔青了好幾遍呢）。如今，同樣的橋段上演，大數據時代，堅決不能再無動於衷！
於是，你著急，你迷茫，你很方……除了平時要加班加點的搬磚，牙縫里擠出來的的閑碎時間都貢獻給度娘了，「小白如何學習大數據」，「大數據入門書籍有哪些」……
1：<大數據時代>
這是學習大數據必讀的一本書，也是最系統的關於大數據概念的一本書，由維克托·邁爾-舍恩伯格和肯尼斯·庫克耶編寫，主要介紹了大數據理念和生活工作及思維變革的關系。
它被包括寬頻資本董事長田朔寧、知名IT評論人謝文等專業讀者鑒定為「大數據領域最好的著作沒有之一，一本頂一萬本」。有這么好嗎？看完自己評價吧。這本書對這個大規模產生、分享和應用數據的新的大時代進行了闡述和釐清，作者圍繞「要全體不要抽樣、要效率不要絕對精確、要相關不要因果」三大理念，通過數十個商業和學術案例，剖析了萬事萬物數據化和數據復用挖掘的巨大價值。
2：<爆發>
由巴拉巴西編寫，主要講了在一個歷史故事的連續講述中，了解大數據的概念實質。從大數據的歷史開始，能更深入的了解大數據的發展歷程。
巴拉巴西整本書講述的大數據根本目的，是預測。他甚至有零有整地判斷，人類行為93%是可以預測的。打個比方，千百年前人類無法如今天般准確預測天氣，以致某些大致預測的行為都被認為是「通神」，其實核心在於對天氣數據的海量佔有和分析能力。但假如全人類的所有基礎及行為數據全部被佔有全部能分析呢？比如通過智能終端LBS功能採集全部運動軌跡、通過金融系統採集所有支付記錄、通過SNS採集所有社會關系和通過郵件、文檔、社會視頻監控和自我視頻監測採集所有言行記錄，24小時，每分每秒，一生，全地球70億人，那會如何？
3：<大數據>
由徐子沛編寫，看美國政府在大數據開放上的進程與反復，算是個案。如果能夠基本了解這三本的觀點，出門有底氣，見人腰桿直，不再被忽悠。
全書講述的，是大數據在美國政府管理中的應用，以及美國政府運行方式大數據變革的歷史與斗爭，其實也是故事性的。從奧巴馬上台就頒布《信息公開法案》，到設立第一個美國政府首席信息官開始，講述美國政府與民間在社會數據公開的斗爭史，以及美國社會管理向大數據思維轉變的過程。首先，這算是一個最詳實的案例；其次，這代表的不是某種管理方式變革，深處是對民主運行機制的變革與進步。說好了，這本書用心良苦，遠遠超越科普技術領域；說壞了，其心可誅。有一段，民間斗爭，逼迫奧巴馬公布所有每日白宮全部日程，包括接見了誰、談話的全部內容，這不就是個人大數據全公開在公眾人物上的應用嗎？這可比現在所謂官員公開財產的要求高了幾十倍——這要求政府全部行為、全部數據、全部公開，全體公眾隨時可查——技術和成本上其實已經可以做到或至少努力接近——如果不這么做，不止是落後問題而是真正的其心可誅了。
4：<大數據基礎與應用>
由陳明編寫。看名字就知道，入門級別拯救小白的書。這本書共17章，第1章是對大數據的簡單概述，第2章介紹大數據研究的方法論，第3、8、9、14章介紹大數據的生態環境，第17章介紹數據科學的內容，剩下的章節是本書重點，介紹大數據技術及應用方法。
身處大數據大環境下，身邊的人經常討論資料庫、數據可視化、大數據預處理等等。這些詞聽得多了會讓人產生錯覺——自己已經知道裡面的門道了。但事實上還是個「門外漢」。
舉個例子，沒有人肯在上千人規模的講座上專門花半個小時教你怎樣進行數據清洗。本書專門列了一章，詳細介紹大數據預處理技術，包括數據清洗的實現方式，從步驟到檢驗，都做了用心的闡述。諸如此類，數據挖掘、大數據流式計算、Hadoop、NoSQL等等都從最基礎的點做了詳細介紹。耐心看完這些，再往深處進階就不會那麼吃力了。
5：<一本書讀懂大數據>
進入大數據時代，讓數據開口說話將成為司空見慣的事情，本書將從大數據時代的前因後果講起，全面分析大數據時代的特徵、企業實踐的案例、大數據的發展方向、未來的機遇和挑戰等內容，展現一個客觀立體、自由開放的大數據時代。
5:<集體智慧編程>
入門，淺顯易懂，裡面每一章都是一個案例，但是很方便，有具體的代碼，用來入門最好。
6：<社交網路的數據挖掘>
專門做社交網路的數據挖掘，案例很豐富，有代碼。
7：<數據可視化之美>
致力於介紹各種可視化方案。
8：<鮮活的數據>
比較簡單的可視化，不過內容豐富，有代碼。
9：<數據挖掘導論完整版>
看完上述的書，對大數據產生很大的興趣，已經初步入門了，現在開始理論方面的學習，數據挖掘入門教程，個人覺得寫的很好，目前正在研究這本書，努力。。。
10：<統計學習方法>
這本書比較深，剛開始看的就是這一本，不過太深，看到一半，准備在導論看完之後，在看這本書提升一下自己。
11：<鳥哥私房菜—基礎篇>
作為一個計算機專業Linux那是必學的，而且Hadoop是建立在Linux基礎上的，不求多麼的精通，但是基礎的操作要學會。
如果是沒有任何編程語言基礎的想入行大數據的話，是必須要學習java基礎的，雖然大數據支持很多開發語言，但是企業用的最多的還是java，接下來學習數據結構，關系型資料庫，linux系統操作，有了基礎之後，在進入大數據學習，可以給小白學習的體系。
第一階段
COREJAVA（加**的需重點熟練掌握，其他掌握）
Java基礎**
數據類型
運算符、循環
演算法
順序結構程序設計
程序結構
數組及多維數組
面向對象**
構造方法、控制符、封裝
繼承**
多態**
抽象類、介面**
常用類
集合Collection、list**
HashSet、TreeSet、Collection
集合類Map**
異常
File
文件/流**
數據流和對象流**
線程（理解即可）
網路通信（理解即可）
第二階段
數據結構
關系型資料庫
Linux系統操作
Linux操作系統概述
安裝Linux操作系統
圖形界面操作基礎
Linux字元界面基礎
字元界面操作進階
用戶、組群和許可權管理
文件系統管理
軟體包管理與系統備份
Linux網路配置
（主要掌握Linux操作系統的理論基礎和伺服器配置實踐知識，同時通過大量實驗，著重培養學生的動手能力。使學生了解Linux操作系統在行業中的重要地位和廣泛的使用范圍。在學習Linux的基礎上，加深對伺服器操作系統的認識和實踐配置能力。加深對計算機網路基礎知識的理解，並在實踐中加以應用。掌握Linux操作系統的安裝、命令行操作、用戶管理、磁碟管理、文件系統管理、軟體包管理、進程管理、系統監測和系統故障排除。掌握Linux操作系統的網路配置、DNS、DHCP、HTTP、FTP、SMTP和POP3服務的配置與管理。為更深一步學習其它網路操作系統和軟體系統開發奠定堅實的基礎。與此同時，如果大家有時間把javaweb及框架學習一番，會讓你的大數據學習更自由一些）
重點掌握：
常見演算法
資料庫表設計
SQL語句
Linux常見命令
第三階段
Hadoop階段
離線分析階段
實時計算階段
重點掌握：
Hadoop基礎
HDFS
MapRece
分布式集群
Hive
Hbase
Sqoop
Pig
Storm實時數據處理平台
Spark平台
若之前沒有項目經驗或JAVA基礎，掌握了第一階段進入企業，不足以立即上手做項目，企業需再花時間與成本培養；
第二階段掌握扎實以後，進入企業就可以跟著做項目了，跟著一大幫人做項目倒也不用太擔心自己能不能應付的來，當然薪資不能有太高的要求；
前兩個階段都服務於第三階段的學習，除了熟練掌握這些知識以外，重點需要找些相應的項目去做，不管項目大小做過與沒有相差很多的哦！掌握扎實後可直接面對企業就業，薪資待遇較高！