欢迎大家评论留言发表自己的观点，大数据还需要掌握哪些知识或者技术。
基础概念
大数据的本质
一、数据的存储：分布式文件系统(分布式存储)
二、数据的计算：分部署计算
基础知识
学习大数据需要具备Java知识基础及Linux知识基础
很多初学者，对大数据的概念都是模糊不清的，大数据是什么，能做什么，学的时候，该按照什么线路去学习，学完往哪方面发展，想深入了解，想学习的同学欢迎加入大数据学习qq群：199427210，有大量干货（零基础以及进阶的经典实战）分享给大家，并且有清华大学毕业的资深大数据讲师给大家免费授课，给大家分享目前国内最完整的大数据高端实战实用学习流程体系
学习路线
(1)Java基础和Linux基础
(2)Hadoop的学习：体系结构、原理、编程
第一阶段：HDFS、MapReduce、HBase(NoSQL数据库)
第二阶段：数据分析引擎 -> Hive、Pig
数据采集引擎 -> Sqoop、Flume
第三阶段：HUE：Web管理工具
ZooKeeper：实现Hadoop的HA
Oozie：工作流引擎
(3)Spark的学习
第一阶段：Scala编程语言
第二阶段：Spark Core -> 基于内存、数据的计算
第三阶段：Spark SQL -> 类似于mysql 的sql语句
第四阶段：Spark Streaming ->进行流式计算：比如：自来水厂
(4)Apache Storm 类似：Spark Streaming ->进行流式计算
NoSQL：Redis基于内存的数据库
HDFS
分布式文件系统 解决以下问题：
• 硬盘不够大：多几块硬盘，理论上可以无限大
• 数据不够安全：冗余度，hdfs默认冗余为3 ，用水平复制提高效率，传输按照数据库为单位：Hadoop1.x 64M，Hadoop2.x 128M
• 管理员：NameNode 硬盘：DataNode
MapReduce
基础编程模型：把一个大任务拆分成小任务，再进行汇总
• MR任务：Job = Map + Reduce
Map的输出是Reduce的输入、MR的输入和输出都是在HDFS
MapReduce数据流程分析：
• Map的输出是Reduce的输入，Reduce的输入是Map的集合
HBase
什么是BigTable?: 把所有的数据保存到一张表中，采用冗余 ---> 好处：提高效率
• 因为有了bigtable的思想：NoSQL：HBase数据库
• HBase基于Hadoop的HDFS的
• 描述HBase的表结构
核心思想是：利用空间换效率
零基础的同学学习大数据开发不能急于求成，要分阶段分步骤来一步步完成，大概可以分为四步：
第一个阶段：了解大数据的基本概念
首先，学习一门课程的时候，要对这门课程有一个简单的了解，比如说，要先学习这门课程的一些专业的术语，学习一些入门概念知道这么课程是做什么的，主要的学习知识有哪些。那么学习大数据就必须知道什么是大数据，一般大数据的运用领域是那些，避免自己在对大数据一无所知的情况下就开始盲目学习。
第二个阶段：学习计算机的编程语言
对于零基础的小伙伴们来说，开始入门可能并不是那么容易，需要学习大量的理论知识，阅读枯燥的教材。因为要掌握一门计算机编程语言，还是很难的。大家都知道计算机编程语言有很多，比如：R，C++，Python，Java等等。
第三阶段：大数据有关的学习课程
经过了前两阶段的基础学习后，我们对编程语言也基本掌握了，接下来就可以进行大数据部分的课程学习了。在这里小编要特别提醒大家：行业真正大数据，82%主讲都是hadoop、spark生态体系、storm实时开发，初学者请务必认清你要学的是不是真正大数据！
第四个阶段：项目实战阶段
实战训练可以帮助我们更好的理解所学的内容，同时对相关知识加强记忆。在以后的实际运用中，可以更快的上手，对于相关知识的使用方法也有了经验。
世上无难事只怕有心人，无论你是有基础也好还是没基础也好，只要你认真学习大数据就一定会学好。
后续提高
大数据结合人工智可以达到真正的数据科学家。
机器学习：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：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。
最快的学习方法，就是师从行业专家，毕竟老师有多年积累的经验，自己少走弯路达到事半功倍的效果。
网友评论