美文网首页大数据大数据挖掘工厂
完整的大数据学习路线

完整的大数据学习路线

作者: 95a6af369245 | 来源:发表于2019-05-09 15:50 被阅读21次

      

      大数据学习路线

      java(Java se,javaweb)

      Linux(shell,高并发架构,lucene,solr)

      Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume)

      机器学习(R,mahout)

      Storm(Storm,kafka,redis)

      Spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx)

      Python(python,spark python)

      云计算平台(docker,kvm,openstack)

      名词解释

      一、Linux

      lucene: 全文检索引擎的架构

      solr: 基于lucene的全文搜索服务器,实现了可配置、可扩展并对查询性能进行了优化,并且提供了一个完善的功能管理界面。

      二、Hadoop

      HDFS: 分布式存储系统,包含NameNode,DataNode。NameNode:元数据,DataNode。DataNode:存数数据。

      yarn: 可以理解为MapReduce的协调机制,本质就是Hadoop的处理分析机制,分为ResourceManager NodeManager。

      MapReduce: 软件框架,编写程序。

      Hive: 数据仓库 可以用SQL查询,可以运行Map/Reduce程序。用来计算趋势或者网站日志,不应用于实时查询,需要很长时间返回结果。

      HBase: 数据库。非常适合用来做大数据的实时查询。Facebook用Hbase存储消息数据并进行消息实时的分析

      一

      ZooKeeper: 针对大型分布式的可靠性协调系统。Hadoop的分布式同步等靠Zookeeper实现,例如多个NameNode,active standby切换。

      Sqoop: 数据库相互转移,关系型数据库和HDFS相互转移

      Mahout: 可扩展的机器学习和数据挖掘库。用来做推荐挖掘,聚集,分类,频繁项集挖掘。

      Chukwa: 开源收集系统,监视大型分布式系统,建立在HDFS和Map/Reduce框架之上。显示、监视、分析结果。

      Ambari: 用于配置、管理和监视Hadoop集群,基于Web,界面友好。

      二、Cloudera

      Cloudera Manager: 管理 监控 诊断 集成

      Cloudera CDH:(Cloudera's Distribution,including Apache Hadoop) Cloudera对Hadoop做了相应的改变,发行版本称为CDH。

      Cloudera Flume: 日志收集系统,支持在日志系统中定制各类数据发送方,用来收集数据。

      Cloudera Impala: 对存储在Apache Hadoop的HDFS,HBase的数据提供直接查询互动的SQL。

      Cloudera hue: web管理器,包括hue ui,hui server,hui db。hue提供所有CDH组件的shell界面的接口,可以在hue编写mr。

      三、机器学习/R

      R: 用于统计分析、绘图的语言和操作环境,目前有Hadoop-R

      mahout: 提供可扩展的机器学习领域经典算法的实现,包括聚类、分类、推荐过滤、频繁子项挖掘等,且可通过Hadoop扩展到云中。

      四、storm

      Storm: 分布式,容错的实时流式计算系统,可以用作实时分析,在线机器学习,信息流处理,连续性计算,分布式RPC,实时处理消息并更新数据库。

      Kafka: 高吞吐量的分布式发布订阅消息系统,可以处理消费者规模的网站中的所有动作流数据(浏览,搜索等)。相对Hadoop的日志数据和离线分析,可以实现实时处理。目前通过Hadoop的并行加载机制来统一线上和离线的消息处理

      Redis: 由c语言编写,支持网络、可基于内存亦可持久化的日志型、key-value型数据库。

      五、Spark

      Scala: 一种类似java的完全面向对象的编程语言。

      jblas: 一个快速的线性代数库(JAVA)。基于BLAS与LAPACK,矩阵计算实际的行业标准,并使用先进的基础设施等所有的计算程序的ATLAS艺术的实现,使其非常快。

      Spark: Spark是在Scala语言中实现的类似于Hadoop MapReduce的通用并行框架,除了Hadoop MapReduce所具有的优点,但不同于MapReduce的是job中间输出结果可以保存在内存中,从而不需要读写HDFS,因此Spark能更好的适用于数据挖掘与机器学习等需要迭代的MapReduce算法。可以和Hadoop文件系统并行运作,用过Mesos的第三方集群框架可以支持此行为。

      Spark SQL: 作为Apache Spark大数据框架的一部分,可用于结构化数据处理并可以执行类似SQL的Spark数据查询

      Spark Streaming: 一种构建在Spark上的实时计算框架,扩展了Spark处理大数据流式数据的能力。

      Spark MLlib: MLlib是Spark是常用的机器学习算法的实现库,目前(2014.05)支持二元分类,回归,聚类以及协同过滤。同时也包括一个底层的梯度下降优化基础算法。MLlib以来jblas线性代数库,jblas本身以来远程的Fortran程序。

      Spark GraphX: GraphX是Spark中用于图和图并行计算的API,可以在Spark之上提供一站式数据解决方案,可以方便且高效地完成图计算的一整套流水作业。

      Fortran: 最早出现的计算机高级程序设计语言,广泛应用于科学和工程计算领域。

      BLAS: 基础线性代数子程序库,拥有大量已经编写好的关于线性代数运算的程序。

      LAPACK: 著名的公开软件,包含了求解科学与工程计算中最常见的数值线性代数问题,如求解线性方程组、线性最小二乘问题、特征值问题和奇异值问题等。

      ATLAS: BLAS线性算法库的优化版本。

      Spark Python: Spark是由scala语言编写的,但是为了推广和兼容,提供了java和python接口。

      六、Python

      Python: 一种面向对象的、解释型计算机程序设计语言。

      七、云计算平台

      Docker: 开源的应用容器引擎

      kvm: (Keyboard Video Mouse)

      openstack: 开源的云计算管理平台项目

    相关文章

      网友评论

        本文标题:完整的大数据学习路线

        本文链接:https://www.haomeiwen.com/subject/pgnwoqtx.html