从小白到大数据架构师的学习历程

                        从小白到大数据架构师的学习历程 - 送100G学习资料

最近有很多人问我，大数据是怎么学？需要学什么技术以及这些技术的学习顺序是什么?今天我把个问题总结成文章分享给大家。

---

大数据处理技术怎么学习呢？首先我们要学习Python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。

---

Python：Python 的排名从去年开始就借助人工智能持续上升，现在它已经成为了语言排行第一名。

从学习难易度来看，作为一个为“优雅”而生的语言，Python语法简捷而清晰，对底层做了很好的封装，是一种很容易上手的高级语言。在一些习惯于底层程序开发的“硬核”程序员眼里，Python简直就是一种“伪代码”。

在大数据和数据科学领域，Python几乎是万能的，任何集群架构软件都支持Python，Python也有很丰富的数据科学库，所以Python不得不学。

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。

---

好说完基础了，再说说还需要学习哪些大数据技术，可以按我写的顺序学下去。

---

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、MapReduce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，MapReduce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。其实把Hadoop的这些组件学明白你就能做大数据的处理了，只不过你现在还可能对”大数据”到底有多大还没有个太清楚的概念，听我的别纠结这个。等以后你工作了就会有很多场景遇到几十T/几百T大规模的数据，到时候你就不会觉得数据大真好，越大越有你头疼的。当然别怕处理这么大规模的数据，因为这是你的价值所在，让那些个搞Javaee的php的html5的和DBA的羡慕去吧。

---

记住学到这里可以作为你学大数据的一个节点。

---

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MapReduce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MapReduce、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MapReduce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。

---

会这些东西你就成为一个专业的大数据开发工程师了，月薪2W都是小毛毛雨。

---

---

后续提高：大数据结合人工智能达到真正的数据科学家，打通了数据科学的任督二脉，在公司是技术专家级别，这时候月薪再次翻倍且成为公司核心骨干。

---

机器学习(Machine Learning, ML)：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习的算法基本比较固定了，学习起来相对容易。

深度学习(Deep Learning, DL)：深度学习的概念源于人工神经网络的研究，最近几年发展迅猛。深度学习应用的实例有AlphaGo、人脸识别、图像检测等。是国内外稀缺人才，但是深度学习相对比较难，算法更新也比较快，需要跟随有经验的老师学习。

---

上市互联网公司大数据专家，《白话大数据与机器学习》作者，高老师半小时的精彩分享，助你更好的了解大数据人工智能。

想继续跟着老师学习，倒计时3天（10月14日）正式课程开课，「大数据基础入门与实践」在线直播课程，老师多年的大数据经验，深入浅出的讲解，为你开启一扇通往数据科学的大门。课程配套长期专属答疑服务，保证学会学懂，学员交流群学习氛围浓厚，让学习不再单调。

- 导师简介 -

高扬

上市一线互联网公司大数据专家、畅销书主编、高校硕士研究生导师。

主编《白话大数据与机器学习》、《白话深度学习与Tensorflow》、《数据科学家养成手册》等多部著作。多年专注于数据库、大数据、数据挖掘、机器学习、人工智能等相关领域的研究。擅长传统机器学习、深度学习、数据建模、关系型数据库应用以及大数据框架等的应用。

高老师主编的畅销大数据书籍

- 课程内容 -

本次课程从大数据开发基础技术讲起，逐步讲解大数据的每一个技术步骤。深入浅出的讲解每个技术的原理和功能。

接着进入大数据结合人工智能的实践部分，MNIST手写板和DeepQA聊天机器人两个实践课题，让你动手做出一个人工智能的作品。

第一章：大数据框架技术基础入门

1、集群技术1（服务器与集群）

Ubuntu安装、Hadoop原理、Hadoop安装、HDFS原理、HDFS基本操作 for Shell

2、集群技术2（分布式计算）

Eclipse安装、HDFS基本操作、MapReduce原理、MapReduce Sample

3、集群技术3（数据仓储）

Hive原理/安装、MySQL for Metadata、Hive基础操作

4、集群技术4（NOSQL数据库）

HBase原理/安装、HBase基础操作

5、集群技术5（内存集群技术）

Spark安装、SparkSQL使用、Scala基础、SQL Join原理与优化

6、集群技术6（机器学习）

Mahout安装、Mahout使用 Sample、Spark MLLib安装、Spark MLLib使用 Sample

第二章：大数据在人工智能中的实践

7、深度学习1 (循环神经网络）

神经元、激励函数、BP神经网络、梯度下降、MNIST手写板案例-全连接BP神经网络

8、深度学习2 (卷积神经网络）

卷积层、池化层、MNIST手写板案例-卷积网络、过拟合与防范、欠拟合与防范

9、深度学习3 (循环神经网络）

循环神经网络、LSTM单元结构、DeepQA聊天机器人的训练、梯度消失/爆炸问题

10、深度学习4 (深度学习扩展知识）

对抗学习GAN（二元极小极大博弈、纳什均衡、Sample for Python）

相关模型介绍（深度残差网络、R-CNN）

 

- 开课时间 -

1、直播时间为：10月14日～11月12日，连续 5 周（每周六、周日19点～21点）；

2、一年内可以免费回看视频。

 

- 课程特点 -

• 名师授课，高老师不仅知识渊博而且授课经验丰富，课程活泼有趣，深受学生欢迎

• 最新技术，大数据结合人工智能，打造真正的数据科技学专家

• 答疑无忧，学员加入微信群，课后预习项目，群内和讲师实时互动答疑