hadoop教程pdf

Ⅰ 零基礎可以培訓大數據分析師嗎會不會很難

隨著大數據的大熱，或者在大數據的影響下，很多企業開始真正重視數據，真正期望從數據中挖掘價值。甚至很多企業已經把數據作為取得競爭優勢的戰略。而數據真正價值的實現，不管計算效率，存儲等發展的多快。一定需要「分析師」，可以說是數據分析師既是建造「數據大廈」的總體設計師，也是建造「數據大廈」的工人。
數據分析師最為稀缺的人才，相信未來10內一定是最為朝陽行業之一。所以現在很多朋友希望轉型做數據分析師，很多畢業的同學也准備從事數據分析師。但很多都不知道成為一名分析師真正需要什麼？
要跨入數據分析師，也許很多時候你只能從「工人」開始做成（這意味著在很大長一段時間內，你的工作內容可能比較枯燥，可能做的都是比較沒有「技術」含量的活），慢慢的當你成為「熟練工」同時隨著行業相關知識和各種技能的積累，慢慢你也會走上「數據設計師」之路。開始從事「高大上」或者更有技術含量的工作。
一、至少花三個月掌握技術
「磨刀不誤砍柴工」，要想從為「工人」，甚至熟悉工，也需要很多技能，因為怎麼說數據分析師也是技術工種 。我覺得至少你要花3個月時間來學習一些最基礎的知識。
1、花1個月學習資料庫知識。
2、花1-2個月學習基礎的統計學知識。
3、花1個月學習點linux的知識。
4、花1個月去學習最基礎的數據挖掘模型：
5、花1個月掌握一門基礎的挖掘軟體的操作。
分析師一定要有持續學習的態度，所以在後續 工作中一定要保持持續學習的態度哦。堅持學習各類知識，不僅僅是技能層面的。
二、選擇感興趣的行業
如果你已經工作，選擇本行業或者相關行來。這樣你在行業經驗，業務知識你是有優勢的。因為你比較清楚業務的「痛點」
從而你也就相對清楚應該給業務提供什麼樣的數據。
如果你是學生，分析師一下自己的興趣，結合現在比較熱門的行業（指數據在這個行業也是比較熱）。
通過互聯網學習，聊這個行業的商業模式，數據內容，分析點。有機會可以去參加一些同行的沙龍或者分享，清楚的了解這個行業的數據分析師或者同行平時都在干什麼 。
對比自己當面的知識儲備，更有針對性的補充知識。和在學校的同學共勉一句話：「在學校學的東西都是有用的，只是學校沒有告訴你怎麼用！」
三、開始尋找機會
對於跨行業轉入的同學，當你准備好上述內容的時候。開始找個機會：
1、內部轉崗
2、選擇中，小型公司。先入門，再修行。

Ⅱ 有哪些好的hadoop學習資料

1."Hadoop.Operations.pdf.zip"http://vdisk.weibo.com/s/vDOQs6xMAQH62
2."Hadoop權威指南(中文版)(帶書簽).pdf"Hadoop權威指南(中文版)(帶書簽).pdf
3."[Hadoop權威指南(第2版)].pdf"[Hadoop權威指南(第2版)].pdf
4."hadoop權威指南第3版2012.rar"hadoop權威指南第3版2012.rar

5.《Hadoop技術內幕：深入解析HadoopCommon和HDFS.pdf"《Hadoop技術內幕：深入解析Hadoop Common和HDFS.pdf
6."Hadoop技術內幕：深入解析MapRece架構設計與實現原理.pdf"Hadoop技術內幕：深入解析MapRece架構設計與實現原理.pdf

7."Hadoop實戰.pdf"Hadoop實戰.pdf
8."Hadoop實戰-陸嘉恆(高清完整版).pdf"Hadoop實戰-陸嘉恆(高清完整版).pdf
9."Hadoop實戰(第2版).pdf"Hadoop實戰(第2版).pdf
10."HadoopinAction.pdf"Hadoop in Action.pdf

11"Hadoop in practice.pdf"Hadoop in practice.pdf
12"HadoopThe.Definitive.Guide,3Ed.pdf"Hadoop The.Definitive.Guide,3Ed.pdf
13."O'Reilly.Hadoop.The.Definitive.Guide.3rd.Edition.May.2012.pdf"O'Reilly.Hadoop.The.Definitive.Guide.3rd.Edition.May.2012.pdf

14."hadoop入門實戰手冊.pdf"hadoop入門實戰手冊.pdf
15."Hadoop入門手冊.chm"Hadoop入門手冊.chm

16."windows下配置cygwin、hadoop等並運行maprece及maprece程序講解.doc"windows下配置cygwin、hadoop等並運行maprece及maprece程序講解.doc
17"在Windows上安裝Hadoop教程.pdf"在Windows上安裝Hadoop教程.pdf

18."Hadoop源代碼分析(完整版).pdf"Hadoop源代碼分析(完整版).pdf
19."hadoop-api.CHM"hadoop-api.CHM

20."HBase-Hadoop@小米.pptx" HBase-Hadoop@小米.pptx
21."但彬-Hadoop平台的大數據整合.pdf"但彬-Hadoop平台的大數據整合.pdf

22."QCon2013-羅李-Hadoop在阿里.pdf"QCon2013-羅李
23."網路hadoop計算技術發展.pdf"網路hadoop計算技術發展.pdf
24."QCon-吳威-基於Hadoop的海量數據平台.pdf"QCon-吳威-基於Hadoop的海量數據平台.pdf
25."8步安裝好你的hadoop.docx"8步安裝好你的hadoop.docx
26."hadoop運維經驗分享.ppsx"hadoop運維經驗分享.ppsx

27."PPT集萃：20位Hadoop專家分享大數據技術工具與最佳實踐.rar"PPT集萃：20位Hadoop專家分享大數據技術工具與最佳實踐.rar
28."Hadoop2.0基本架構和發展趨勢.pdf"Hadoop 2.0基本架構和發展趨勢.pdf
29."Hadoop與大數據技術大會PPT資料.rar"Hadoop與大數據技術大會PPT資料.rar
30."Hadoop2011雲計算大會.rar"Hadoop2011雲計算大會.rar

Ⅲ 想成為數據分析師學習流程是怎樣的

第1本《誰說菜鳥不會數據分析入門篇》

很有趣的數據分析書！基本看過就能明白，以小說的形式講解，很有代入感。包含了數據分析的結構化思維、數據處理技巧、數據展現的技術，很能幫我們提升職場競爭能力。找不到工作的，學好了它，自然沒問題。

第2本《拯救你的Excel數據的分析、處理、展示（動畫版）》

一本用手機看的Excel操作書，大部分例子都配置了二維碼，手機掃掃就能看，基本上可以躺著把書學了。所有數據的分析、處理也都帶了職場範例（有會計、HR、銷售場景），很貼合實際。拯救我們小白的Excel，職場加薪不是夢想！

第3本《Excel圖表之道：如何製作專業有效的商務圖表》

職場大牛的書，教我們做圖表的，好看到不能再好看。可以設計和製作達到雜志級質量的、專業有效的商務圖表。相信平時我們很難做到吧，看了你就知道，也許一切沒那麼難。

第4本《絕了！Excel可以這樣用：數據分析經典案例實戰圖表書》

挺好的一個系列，都是Excle常用的技巧，適合銷售和HR。也是職場故事，很接地氣，帶視頻的，全都是Excel數據分析的常用理念和方法。

第5本《深入淺出數據分析》

深入淺出系列是對新手非常友好的叢書，用生動但啰嗦的語言講解案例。厚厚的一本書翻起來很快。本書涉及的基礎概念比較廣，包含一點統計學知識，學下來對數據分析思維會有一個大概了解。

第6本《MySQL必知必會》

如果真想買書看，可以看這本，適合新手向的學習，看基礎概念和查詢相關的章節即可。網路上大部分MySQL都是偏DBA的。

第7本《深入淺出統計學》

大概是最啰嗦的深入淺出系列，從賣橡皮鴨到賭博機的案例，囊括了常用的統計分析如假設檢驗、概率分布、描述統計、貝葉斯等。

第8本《網站分析實戰》

互聯網不再是網站的天下，但是移動端依舊有Web，我們在朋友圈看到的所有H5活動、第三方內容等，都是依託網頁實現。網站的數據分析依舊有存在空間，網站的數據指標還是能夠指導我們運營！

第9本《深入淺出Python》

還是深入淺出系列，完全適合零基礎的新人。需要注意的是，編程學習不同於其他知識，如果計算機基礎不穩固，在使用中會遇到各類問題。知其然不知其所以然！

第10本《Python學習手冊》

對於擁有編程基礎的人，這本書系無巨細的有些啰嗦，不過對新人，可以避免不必要的坑。把它當作一本工具文檔吧，當遇到不理解的內容隨時翻閱。

第11本《利用Python進行數據分析》

這本書是你學習python不二之選，對著書，著重學習numpy，pandas兩個包！每段代碼都敲打一遍，千萬行的數據清洗基本不會有大問題了。

第12本《R語言實戰》

R語言的入門書籍，從數據讀取到各類統計函數的使用。雖然沒有涉及機器學習，依靠這本書入門R是綽綽有餘了。

第13本《統計學：從數據到結論》

這本書是將R語言和統計學結合的教材，可以利用這本書再復習一遍統計知識。

第14本《深入淺出SQL》

帶你進入SQL語言的心臟地帶，從使用INSERT和SELECT這些基本的查詢語法到使用子查詢（subquery）、連接（join）和事務（transaction）這樣的核心技術來操作資料庫。到讀完《深入淺出SQL》之時，你將不僅能夠理解高效資料庫設計和創建，還能像一個專家那樣查詢、歸一（normalizing）和聯接數據。你將成為數據的真正主人。

第15本《數據挖掘導論》

這本書絕對是一本良心教材，拿到手從第一章開始閱讀，能看多少就看多少。但是要盡量多看點，因為此書你可能要看一輩子的～～

第16本《演算法導論中文版》

本書將嚴謹性和全面性融為一體，深入討論各類演算法，並著力使這些演算法的設計和分析能為各個層次的讀者接受。演算法以英語和偽代碼的形式描述，具備初步程序設計經驗的人就能看懂；說明和解釋力求淺顯易懂，不失深度和數學嚴謹性。

上面的書籍都是PDF版

視頻教材的有：

Python入門教程完整版（懂中文就能學會）資料

Python入門教程完整版（懂中文就能學會）視頻

Mysql從入門到精通全套視頻教程

8天深入理解python教程

大數據Hadoop視頻教程，從入門到精通

Python就業班

Python標准庫（中文版）

數學建模0基礎從入門到精通，全套資源

0基礎Python實戰-四周實現爬蟲系統

麥子學院招牌課程[明星python編程視頻VIP教程][200G](價值9000元)

從零基礎到數據分析師，幫你拿到年薪50萬！

煒心:xccx158

Ⅳ 推薦幾本javaEE的書籍,經典的。不要李剛的（雖然講的好，但是繁瑣，基礎東西太多了）。結合了三大框架的

[Spring.2.0核心技術和最佳實踐。廖學鋒掃描版。
容易的Hibernate「PDF清晰版。PDF
精通struts的基於MVC的設計與開發PDF
[Struts.2權威指南 - 基於MVC開發的WebWork的核心。鋼。Java.web掃描版PDF

Java方面的內部電驢學習知識
：

遞歸集合J2SE面向對象 - 封裝，繼承，多態
內存分析，通用，自動裝箱和拆箱，注釋
IO
多線程，線程同步
TCP / UDP
AWT，事件模型，匿名類
反射機制

SQL語句
多表聯接的資料庫（Oracle或MySQL）的正則表達式，內部和外部連接，子查詢
管理表，視圖，索引，序列，約束樹的存儲
存儲過程，觸發器
資料庫設計三大範式，
3：JDBC
JDBC基本/>連接池
樹的存儲和顯示
數據源的RowSet
JDBC連接Oracle和MySQL
：HTML_CSS_JAVASCRIPT
HTML，CSS，JavaScript的基本語法
> JavaScript的形成判斷
DOM編程基礎（事件處理程序）

JS效果，如TreeView，下拉聯動JS學習方法
JS調試方法
DreamWeaver的初步（創建HTML，表格，表單，CSS）
5：Servlet的基礎JSP
Tomcat的
servlet的基礎的
web.xml中的配置基本
Web應用程序結構
servlet的生命周期
請求的響應常用的方法
的ServletContext類
HTTP協議基礎（GET，POST）
餅干會話

應用程序
幾個語法（JSP，包括JSTL）注意練習的項目，而不是堅持的語法和包裝步驟的細節之前。
6：Struts的
多層體系結構的理論
模式1和模式2
Struts的
MVC

操作的業務邏輯類的基本概念之間的關系
Struts和JSP之間傳遞數據的
的Struts的治療過程（流量控制）
的Struts的TagLib（了解常用的）
JSTL
中的ActionForm
>欄位集合
上傳文件的類型轉換

DTO
動力作用形成的
驗證框架
的ActionForward轉發和重定向
動態生成的ActionForward
全局和局部的ActionForward
行動的推進范圍
UnknownActionMapping
行動線程安全
I18N
如何切換語言環境的
Struts的異常處理機制處理
用戶自定義的異常處理程序
Struts的多模塊配置7：XML
（XML / XSL，XSLT / DTD的，SCHEMA基本的Java編程的概念可以自動處理暫且不說）
8：休眠 OR映射
Hibernate的基本發展原則，步驟
休眠
基本介面（重點屆）
常見的屬性的映射關系映射
原生SQL
懶級聯反
繼承關系映射
HQL
性能優化緩存二級緩存查詢緩存
事務並發悲觀鎖定，樂觀鎖定
OpenSessionInView
CurrentSession
（至於JTA，的聯合主鍵的自然主鍵動態主鍵的任何類型Creteria查詢截擊和事件自定義類型，等等。 ，你可以暫時扔到一邊）
9：春季
IOC / DI
Spring配置
春季建築
AOP和Spring AOP
聲明式事務（AOP ）
Spring + Hibernate的春天的Web
范圍
（其他的Spring模塊，你可以暫時扔到一邊自學）
10：EJB3.0
J2EE架構基金會（JTA JMS）
EJB基礎（地位及基本理論，分類等）
注釋
Ant的編譯和部署EJB
會話Bean的
EJB依賴注入
持久性API
（JBoss的學習EJB3.0）
11：SOA

30個進球
你需要精通面向對象分析與設計（OOA / OOD），涉及模式（GOF，J2EEDP），以及綜合模式。你應該充分了解UML，尤其是類，對象，互動，和statediagrams。<BR / 2，你需要學習JAVA語言以及它的核心類庫集合，序列化，流，網路，多線程，反射，事件處理，NIO，定製系統的本地化，以及其他的基本知識。
3類載入器，JVM，classreflect，以及垃圾回收的基本工作機制，您應該是知道的，你應該有能力反編譯一個類文件並且明白一些基本的匯編指令。
如果你要寫一個客戶端程序，你需要學習WEB的小應用程序（applet），必需掌握GUI設計的思想和方法的，和桌面應用程序的SWING，AWT，SWT，你也明白的UI部件的JAVABEAN組件模式中。JAVABEANS適用於業務邏輯的分離表示層JSP。
5。需要學習java資料庫技術，如JDBCAPI，會使用至少一種persistence / ORM構架，比如Hibernate，JDO，CocoBase，TopLink的InsideLiberator（國產JDO紅工廠軟體）或者iBatis。
6。您還應該了解對象關系的阻抗失配的含義，以及它是如何影響業務對象的與關系型資料庫交互，和結果它的操作，但還需要掌握不同的資料庫產品，如拉克勒，MySQL和MSSQLSERVER。
7。你需要學習JAVA的沙盒安全模式（類載入器，bytecodeverification，的經理，policyandpermissions，
代碼簽名，加密技術，認證，Kerberos身份，和其他人）digitalsignatures，以及不同的安全/認證API的JAAS（）的，JCE（JavaCryptographyExtension）的的JSSE（JavaSecureSocketExtension）以及JGSS（JavaGeneralSecurityService）。
8。你需要學習Servlets和JSP，以及的JSTL（StandardTagLibraries）和選定的第三方TagLibraries。
9。你需要熟悉主流的網頁框架，例如JSF，Struts中，掛毯，蠶繭，WebWork中，和他們下面的涉及模式，如MVC/MODEL2。
10。你需要學習如何使用及管理WEB伺服器，例如tomcat的，樹脂的JRUN，並知道如何的基礎上擴展和維護WEB程序。
11。你需要學習分布式對象和遠程API，例如RMI和RMI / IIOP。
12。你需要掌握各種流行中間件技術標准，並結合java實現，比如Tuxedo，CROBA，當然也包括JavaEE的本身。你應該學會
你需要學習至少一個XMLAPI例如JAXP（JavaAPIforXMLProcessing）的JDOM（JavaforXMLDocumentObjectModel），DOM4J，或JAXR（JavaAPIforXMLRegistries）。
14。如何利用JAVAAPI和工具來構建WebService的。（JavaAPIforXML / RPC），JAX-RPC SAAJ的（SOAPwithAttachmentsAPIforJava）的，JAXB（JavaArchitectureforXMLBinding）JAXM（JavaAPIforXMLMessaging）的JAXR（JavaAPIforXMLRegistries），或JWSDP（JavaWebServicesDeveloperPack）的。
> 15。需要，學習一個輕量級應用程序框架，例如Spring中，PicoContainer的阿瓦隆，以及他們的IoC / DI風格（setter方法??，構造函數，集成*** ceinjection）。
16。你需要熟悉不同的J2EE技術??，例如JNDI（JavaNamingandDirectoryInte *** CE）的JMS（JavaMessageService）的，JTA / JTS（JavaTransactionAPI / JavaTransactionService）的JMX（JavaManagementeXtensions），以及JavaMail的。
17。企業類級JavaBeans（EJB），你需要學習以及它們的不同組件模式：無狀態/ StatefulSessionBeans，EntityBeans（bean-ManagedPersistence的包含[BMP]或容器ManagedPersistence [CMP]和它的EJB-QL），或者消息DrivenBeans（MDB ）
18。你需要學習如何管理與配置一個J2EE應用程序伺服器，如WebLogic，JBoss的，並利用它的附加服務，例如簇類，連接池以及分布式處理的支持。您還需要了解它是如何封裝和配置應用程序能夠監控，調整它的性能。
19。你需要熟悉面向方面的編程，以及面向屬性的程序設計（兩個很容易混淆縮寫為AOP），以及他們的主流JAVA規格和執行。如AspectJ和AspectWerkz。
20。熟悉的服務不同有用的API和框架為你工作。例如，Log4J的（記錄/跟蹤），石英（調度）的JGroups（networkgroupcommunication）JCache（distributedcaching）的，Lucene的（全職文章搜索）JakartaCommons的。
21。如果你要對接和舊的系統或本地平台，你需要學習的JNI（JavaNativeInte *** CE）和JCA（JavaConnectorArchitecture）。
22。JINI技術，您需要熟悉，和它的分布式系統，如主CROBA。
23。你需要JavaCommunityProcess的（ JCP），和他的不同JavaSpecificationRequests（JSR的），如JOLAP的Portlets（168）（69）（73），DataMiningAPI，等等。
24。你應該熟悉與的一個JAVAIDE例子的SunOne的NetBeans IntelliJIDEA或Eclipse（有些人更喜歡VI或EMACS來編寫文件不管你是什麼:)
25.JAVA一些配置（精確）是冗長的，它需要很多的人工代碼（例如EJB），所以你需要熟悉代碼生成工具，例如XDoclet。
26。你需要熟悉單元測試體系（JNunit），並且學習不同的生成，部署工具（Ant，Maven的）。
27。你需要熟悉JAVA開發的，經常使用的軟體工程過程。例如RUP（RationalUnifiedProcess）andAgilemethodologies的。
28。你需要深入了解加熟練操作和配置操作系統，比如GNU / Linux操作系統，sunsolaris MacOS的，作為一個跨平台的軟體開發。
29。您還需要跟上Java的發展步伐，比如現在可以深入學習javaME的，以及各種java中，使用的技術，如啟動一個新的web富客戶端技術的新規范。
30。您需要了解開源，至少在，許多Java技術的直接依賴開放源碼，以推動發展，如JAVA3D技術。

Ⅳ 怎樣進行大數據的入門級學習

怎樣進行大數據的入門級學習？

文 | 郭小賢

數據科學並沒有一個獨立的學科體系，統計學，機器學習，數據挖掘，資料庫，分布式計算，雲計算，信息可視化等技術或方法來對付數據。

但從狹義上來看，我認為數據科學就是解決三個問題：

1. datapre-processing；(數據預處理）

2. datainterpretation；（數據解讀）

3.datamodeling and analysis.（數據建模與分析）

這也就是我們做數據工作的三個大步驟：

1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程，才能形成高質量的數據；

2、我們想看看數據「長什麼樣」，有什麼特點和規律；

3、按照自己的需要，比如要對數據貼標簽分類，或者預測，或者想要從大量復雜的數據中提取有價值的且不易發現的信息，都要對數據建模，得到output。

這三個步驟未必嚴謹，每個大步驟下面可能依問題的不同也會有不同的小步驟，但按我這幾年的經驗來看，按照這個大思路走，數據一般不會做跑偏。

這樣看來，數據科學其實就是門復合型的技術，既然是技術就從編程語言談起吧，為了簡練，只說說R和Python。但既然是薦數據科學方面的書，我這里就不提R/Python編程基礎之類的書了，直接上跟數據科學相關的。

R programming

如果只是想初步了解一下R語言已經R在數據分析方面的應用，那不妨就看看這兩本：

R inaction：我的R語言大數據101。其實對於一個沒有任何編程基礎的人來說，一開始就學這本書，學習曲線可能會比較陡峭。但如果配合上一些輔助材料，如官方發布的R basics（http：//cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的問題集（Newest 『r』 Questions），遇到復雜的問題可在上面搜索，總會找到解決方案的。這樣一來，用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕松，緊貼實戰。

Dataanalysis and graphics using R：使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰，沒有過多地講解統計學理論，所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強，也就是說哪怕你手頭沒電腦寫不了代碼，有事沒事拿出這本書翻一翻，也能讀得進去。

但如果你先用R來從事實實在在的數據工作，那麼上面兩本恐怕不夠，還需要這些：

Modernapplied statistics with S：這本書里統計學的理論就講得比較多了，好處就是你可以用一本書既復習了統計學，又學了R語言。（S/Splus和R的關系就類似於Unix和Linux，所以用S教程學習R，一點問題都沒有）

Datamanipulation with R：這本書實務性很強，它教給你怎麼從不同格式的原始數據文件里讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣，本書也有豐富的真實數據或模擬數據供你練習。對於真正從事數據處理工作的人來說，這本書的內容非常重要，因為對於任何研究，一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則，你的研究總是要等待你的數據。

RGraphics Cookbook：想用R做可視化，就用這本書吧。150多個recipes，足以幫你應付絕大多數類型的數據。以我現在極業余的可視化操作水平來看，R是最容易做出最漂亮的圖表的工具了。

Anintroction to statistical learning with application in R：這本書算是著名的the element of statistical learning的姊妹篇，後者更注重統計（機器）學習的模型和演算法，而前者所涉及的模型和演算法原沒有後者全面或深入，但卻是用R來學習和應用機器學習的很好的入口。

Ahandbook of statistical analysis using R：這本書內容同樣非常扎實，很多統計學的學生就是用這本書來學慣用R來進行統計建模的。

Python

Think Python，ThinkStats，Think Bayes：這是AllenB. Downey寫的著名的Think X series三大卷。其實是三本精緻的小冊子，如果想快速地掌握Python在統計方面的操作，好好閱讀這三本書，認真做習題，答案鏈接在書里有。這三本書學通了，就可以上手用Python進行基本的統計建模了。

PythonFor Data Analysis： 作者是pandas的主要開發者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能，能夠處理結構比較復雜的數據。這本書其實analysis講得不多，說成數據處理應該更合適。掌握了這本書，處理各種糟心的數據就問題不大了。

Introctionto Python for Econometrics， Statistics and DataAnalysis：這本書第一章就告訴你要安裝Numpy， Scipy， Matplotlib， Pandas， IPython等等。然後接下來的十好幾章就是逐一介紹這幾個庫該怎麼用。很全面，但讀起來比較枯燥，可以用來當工具書。

PracticalData Analysis： 這本書挺奇葩，貌似很暢銷，但作者把內容安排得東一榔頭西一棒子，什麼都講一點，但一個都沒講透。這本書可以作為我們學習數據分析的一個索引，看到哪塊內容有意思，就順著它這個藤去摸更多的瓜。

PythonData Visualization Cookbook： 用Python做可視化的教材肯定不少，我看過的也就這一本，覺得還不錯。其實這類書差別都不會很大，咬住一本啃下來就是王道。

Exploratory Data Analysis 和 Data Visualization

Exploratory DataAnalysis：John Tukey寫於1977年的經典老教材，是這一領域的開山之作。如今EDA已經是統計學里的重要一支，但當時還是有很多人對他的工作不屑一顧。可他愛數據，堅信數據可以以一種出人意料的方式呈現出來。正是他的努力，讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了，內容略過時。要想完整地了解EDA，推薦下一本：

ExploratoryData Analysis with MATLAB：這本書雖然標題帶了個MATLAB，但實際上內容幾乎沒怎麼講MATLAB，只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在於，這是我讀過的講EDA最系統的一本書，除了對visualization有不輸於John Tucky的講解外，對於高維的數據集，通過怎樣的方法才能讓我們從中找到潛在的pattern，這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼，而且還提供了GUI（圖形用戶界面）。所以這本書學起來還是相當輕松愉悅的。

VisualizeThis：中譯本叫「鮮活的數據」，作者是個「超級數據迷」，建立了一個叫http：//flowingdata.com的網頁展示他的數據可視化作品，這本書告訴你該選擇什麼樣的可視化工具，然後告訴你怎樣visualize關系型數據、時間序列、空間數據等，最後你就可以用數據講故事了。如果你只想感受一下數據可視化是個什麼，可以直接點開下面這個鏈接感受下吧！A tour through the visualization zoo（A TourThrough the Visualization Zoo）

Machine Learning & Data Mining

這一塊就不多說了，不是因為它不重要，而是因為它太太太重要。所以這一部分就推兩本書，都是」世界名著「，都比較難讀，需要一點點地啃。這兩本書拿下，基本就算是登堂入室了。其實作為機器學習的延伸和深化，概率圖模型（PGM）和深度學習（deep learning）同樣值得研究，特別是後者現在簡直火得不得了。但PGM偏難，啃K.Daphne那本大作實在太燒腦，也沒必要，而且在數據領域的應用也不算很廣。deep learning目前工業界的步子邁得比學術界的大，各個domain的應用如火如荼，但要有公認的好教材問世則還需時日，所以PGM和deep learning這兩塊就不薦書了。

TheElement of Statistical Learning：要學機器學習，如果讓我只推薦一本書，我就推薦這本巨著。Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了，大廈建得夠高夠大，結構也非常嚴謹，而且很有前瞻性，納入了很多前沿的內容，而不僅僅是一部綜述性的教材。（圖表也做得非常漂亮，應該是用R語言的ggplot2做的。）這本書注重講解模型和演算法本身，所以需要具備比較扎實的數理基礎，啃起這本書來才不會太吃力。事實上掌握模型和演算法的原理非常重要。機器學習（統計學習）的庫現在已經非常豐富，即使你沒有完全搞懂某個模型或演算法的原理和過程，只要會用那幾個庫，機器學習也能做得下去。但你會發現你把數據代進去，效果永遠都不好。但是，當你透徹地理解了模型和演算法本身，你再調用那幾個庫的時候，心情是完全不一樣的，效果也不一樣。

DataMining： Concepts and Techniques， by Jiawei Han and Micheline Kamber 數據挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺的，是因為雖然他這本書的出發點是應用，但原理上的內容也一點沒有落下，內容非常完整。而且緊跟時代，更新的很快，我看過的是第二版，就已經加進去了social network analysis這種當時的前沿內容。現在已經有第三版了，我還沒看過，但應該也加入了不少新內容。其實這本書並不難讀，只是篇幅較長，啃起來比較耗時。

其實這兩本書里單拎出來一塊內容可能又是幾本書的節奏，比如bayesian方法，再拿出兩三本書來講也不為過，我個人用到的比較多，而且也確實有不少好書。但並非是所有data scientist都要用到，所以這一塊就不再細說。

還有一些印象比較深刻的書：

Big DataGlossary： 主要講解大數據處理技術及工具，內容涵蓋了NoSQL，MapRece，Storage，Servers，NLP庫與工具包，機器學習工具包，數據可視化工具包，數據清洗，序列化指南等等。總之，是一本辭典式的大數據入門指導。

Mining ofMassive Datasets：這本書是斯坦福大學Web Mining的講義，裡面很多內容與韓家煒的Data Mining那本書重合，但這本書里詳細地講了MapRece的設計原理，PageRank（Google創業時期的核心排序演算法，現在也在不斷優化更新）講解得也比較詳細。

DevelopingAnalytic Talent： 作者是個從事了十幾年數據工作的geek，技術博客寫得很有個人風格，寫的內容都比較偏門，通常只有具備相關數據處理經驗的人能體會出來，絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎麼辦，或者MapRece在什麼時候不好用的問題，才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的博客文章的集結，用how to become a data scientist的邏輯把他近幾年的博客文章串聯了起來。

Past， Present and Future of Statistical Science：這本書是由COPSS（統計學社主席委員會，由國際各大統計學會的帶頭人組成）在50周年出版的一本紀念冊，裡面有50位統計學家每人分別貢獻出的一兩篇文章，有的回憶了自己當年如何走上統計學這條路，有的探討了一些統計學的根本問題，有的談了談自己在從事的前沿研究，有的則給年輕一代寫下了寄語。非常有愛的一本書。

其它資料

Harvard Data Science：這是H大的Data science在線課，我沒有修過，但口碑很好。這門課需要費用8千刀左右，比起華盛頓大學的4千刀的Data science在線課雖貴一倍，但比斯坦福的14千刀要便宜將近一半（而且斯坦福的更偏計算機）。如果想自學，早有好心人分享了slides：（https：//drive.google.com/folderview？id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions： （https：//github.com/cs109/content）

PyData：PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會，期間會有各路牛人舉行一些規模不大的seminar或workshop，有好心人已經把video上傳到github，有興趣的去認領吧（DataTau/datascience-anthology-pydata · GitHub）

工具

R/Python/MATLAB（必備）：如果是做數據分析和模型開發，以我的觀察來看，使用這三種工具的最多。R生來就是一個統計學家開發的軟體，所做的事也自然圍繞統計學展開。MATLAB雖然算不上是個專業的數據分析工具，但因為很多人不是專業做數據的，做數據還是為了自己的domain expertise（特別是科學計算、信號處理等），而MATLAB又是個強大無比的Domain expertise工具，所以很多人也就順帶讓MATLAB也承擔了數據處理的工作，雖然它有時候顯得效率不高。Python雖然不是做數據分析的專業軟體，但作為一個面向對象的高級動態語言，其開源的生態使Python擁有無比豐富的庫，Numpy， Scipy 實現了矩陣運算/科學計算，相當於實現了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實現了機器學習。

SQL（必備）：雖然現在人們都說傳統的關系型資料庫如Oracle、MySQL越來越無法適應大數據的發展，但對於很多人來說，他們每天都有處理數據的需要，但可能一輩子都沒機會接觸TB級的數據。不管怎麼說，不論是用關系型還是非關系型資料庫，SQL語言是必須要掌握的技能，用什麼資料庫視具體情況而定。

MongoDB（可選）：目前最受歡迎的非關系型資料庫NoSQL之一，不少人認為MongoDB完全可以取代mySQL。確實MongoDB方便易用，擴展性強，Web2.0時代的必需品。

Hadoop/Spark/Storm（可選）： MapRece是當前最著名也是運用最廣泛的分布式計算框架，由Google建立。Hadoop/Spark/storm都是基於MapRece的框架建立起來的分布式計算系統，要說他們之間的區別就是，Hadoop用硬碟存儲數據，Spark用內存存儲數據，Storm只接受實時數據流而不存儲數據。一言以蔽之，如果數據是離線的，如果數據比較復雜且對處理速度要求一般，就Hadoop，如果要速度，就Spark，如果數據是在線的實時的流數據，就Storm。

OpenRefine（可選）：Google開發的一個易於操作的數據清洗工具，可以實現一些基本的清洗功能。

Tableau（可選）：一個可交互的數據可視化工具，操作簡單，開箱即用。而且圖表都設計得非常漂亮。專業版1999美刀，終身使用。媒體和公關方面用得比較多。

Gephi（可選）：跟Tableau類似，都是那種可交互的可視化工具，不需要編程基礎，生成的圖表在美學和設計上也是花了心血的。更擅長復雜網路的可視化。

來自知乎

以上是小編為大家分享的關於怎樣進行大數據的入門級學習？的相關內容，更多信息可以關注環球青藤分享更多干貨