大數(shù)據(jù)處理關鍵技術一般包括:大數(shù)據(jù)采集、大數(shù)據(jù)預處理、大數(shù)據(jù)存儲及管理、大數(shù)據(jù)分析及挖掘、大數(shù)據(jù)展現(xiàn)和應用(大數(shù)據(jù)檢索、大數(shù)據(jù)可視化、大數(shù)據(jù)應用大數(shù)據(jù)安全等)。

大數(shù)據(jù)采集技術:

數(shù)據(jù)是指通過REID射頻數(shù)據(jù)、傳威器數(shù)據(jù)、社交網(wǎng)絡交互數(shù)據(jù)及移動互聯(lián)網(wǎng)數(shù)據(jù)等方式獲得的各種類型的結構化、半結構化(或稱之為弱結構化)及非結構化的海量數(shù)據(jù)，是大數(shù)據(jù)知識服務模型的根本。重點要突破分布式高速高可靠數(shù)據(jù)爬取或采集、高速數(shù)據(jù)全映像等大數(shù)據(jù)收集技術;突破高速數(shù)據(jù)解析、轉換與裝載等大數(shù)據(jù)整合技術;設計質(zhì)量評估模型，開發(fā)數(shù)據(jù)質(zhì)量技術。

大數(shù)據(jù)采集一般分為大數(shù)據(jù)智能感知層:主要包括數(shù)據(jù)傳感體系、網(wǎng)絡通信體系、傳感適配體系、智能識別體系及軟硬件資源接入系統(tǒng)，實現(xiàn)對結構化、半結構化、非結構化的海量數(shù)據(jù)的智能化識別、定位、跟蹤、接入、傳輸、信號轉換、監(jiān)控、初步處理和管理等。必須著重攻克針對大數(shù)據(jù)源的智能識別、感知、適配、傳輸、接入等技術?；A支撐層;提供大數(shù)據(jù)服務平臺所器的虛擬服務器，結構化、半結構化及非結構化數(shù)據(jù)的數(shù)據(jù)庫及物聯(lián)網(wǎng)絡資源等基礎支撐環(huán)境。重點攻克分布式虛擬存儲技術，大數(shù)據(jù)獲取、存儲、組織、分析和決策操作的可視化接口技術，大數(shù)據(jù)的網(wǎng)絡傳輸與壓縮技術，大數(shù)據(jù)隱私保護技術等。

大數(shù)據(jù)預處理技術:

主要完成對已接收數(shù)據(jù)的辨析、抽取、清洗等操作。

1)抽取:因獲取的數(shù)據(jù)可能具有多種結構和類型，數(shù)據(jù)抽取過程可以幫助

我們將這些復雜的數(shù)據(jù)轉化為單一的或者便于處理的構型，以達到快速分析處理的目的。

2)清洗:對于大數(shù)據(jù)，并不全是有價值的，有些數(shù)據(jù)并不是我們所關心的

內(nèi)容，而另一些數(shù)據(jù)則是完全錯誤的干擾項，因此要對數(shù)據(jù)通過過濾“去噪”從而提取出有效數(shù)據(jù)。

大數(shù)據(jù)存儲及管理技術:

大數(shù)據(jù)存儲與管理要用存儲器把采集到的數(shù)據(jù)存儲起來，建立相應的數(shù)據(jù)庫，并進行管理和調(diào)用。重點解決復雜結構化、半結構化和非結構化大數(shù)據(jù)管理與處理技術。主要解決大數(shù)據(jù)的可存儲、可表示、可處理、可靠性及有效傳輸?shù)葍簜€關鍵問題。開發(fā)可靠的分布式文件系統(tǒng)(DFS)、能效優(yōu)化的存儲、計算融入存儲、大數(shù)據(jù)的去冗余及高效低成本的大數(shù)據(jù)存儲技術;突破分布式非關系型大數(shù)據(jù)管理與處理技術異構數(shù)據(jù)的數(shù)據(jù)融合技術，數(shù)據(jù)組織技術，研究大數(shù)據(jù)建模技術;突破大數(shù)據(jù)索引技術;突破大數(shù)據(jù)移動、備份、復制等技術:開發(fā)大數(shù)據(jù)可視化技術。

開發(fā)新型數(shù)據(jù)庫技術，數(shù)據(jù)庫分為關系型數(shù)據(jù)庫、非關系型數(shù)據(jù)庫以及數(shù)據(jù)庫緩存系統(tǒng)。其中，非關系型數(shù)據(jù)庫主要指的是NoSQL數(shù)據(jù)庫，分為:鍵值數(shù)據(jù)庫、列存數(shù)據(jù)庫、圖存數(shù)據(jù)庫以及文檔數(shù)據(jù)庫等類型。關系型數(shù)據(jù)庫包含了傳統(tǒng)關系數(shù)據(jù)庫系統(tǒng)以及NewSQL 數(shù)據(jù)庫。

開發(fā)大數(shù)據(jù)安全技術。收進數(shù)據(jù)銷毀、透明加解密、分布式訪問控制、數(shù)據(jù)審計等技術:突破隱私保護和推理控制、數(shù)據(jù)真?zhèn)巫R別和取證、數(shù)據(jù)持有完整性驗證等技術。

大數(shù)據(jù)分析及挖掘技術:

大數(shù)據(jù)分析技術。改進已有數(shù)據(jù)挖掘和機器學習技術;開發(fā)數(shù)據(jù)網(wǎng)絡挖掘、特異群組挖掘、圖挖掘等新型數(shù)據(jù)挖掘技術;突破基于對象的數(shù)據(jù)連接相似性連護第大數(shù)據(jù)融合技術:突破用戶興趣分析、網(wǎng)絡行為介析、情感語義介析等面向領域的大數(shù)據(jù)挖掘技術。

數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數(shù)據(jù)挖掘涉及的技術方法很多，有多種分類法。根據(jù)挖掘任務可分為分類或預測模型發(fā)現(xiàn)、數(shù)據(jù)總結、聚類關聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、依賴關系或依賴模型發(fā)現(xiàn)、異常和趨勢發(fā)現(xiàn)等等;根據(jù)挖擁對象可分為關系數(shù)據(jù)庫、面向對象數(shù)據(jù)庫、空間數(shù)據(jù)庫、時態(tài)數(shù)據(jù)庫、文本數(shù)據(jù)源、多媒體數(shù)據(jù)庫、異質(zhì)數(shù)據(jù)庫、遺產(chǎn)數(shù)據(jù)庫以及環(huán)球網(wǎng)Web;根據(jù)挖掘方法分，可粗分為:機器學習方法、統(tǒng)計方法、神經(jīng)網(wǎng)絡方法和數(shù)據(jù)庫方法。機器學習中，可細分為:歸納學習方法(決策樹、規(guī)則歸納等)、基于 X 例學習、遺傳算法筆。統(tǒng)讓方法中，可細分為:回歸分析(多元/口歸、自回歸等)、判別分析(貝葉斯判別、費歇爾判別、非參數(shù)判別等) 聚類分析(系統(tǒng)聚類、動態(tài)聚類等)、探索性分析(主元分析法、相關分析法等)等。神經(jīng)網(wǎng)絡方法中，可細分為:前向神經(jīng)網(wǎng)絡(BP算法等)、自組織神經(jīng)網(wǎng)絡(自組織特征映射、競爭學習等)等。數(shù)據(jù)庫方法主要是多維數(shù)據(jù)分析或OLAP方法，另外還有面向屬性的歸納方法。

從挖掘任務和挖掘方法的角度，著重突破:1可視化分析。數(shù)據(jù)可視化無論對于普通用戶或是數(shù)據(jù)分析專家，都是最基本的功能。數(shù)據(jù)圖像化可以讓數(shù)據(jù)自己說話，讓用戶直觀的感受到結果。2數(shù)據(jù)挖掘算法。圖像化是將機器語言翻譯給人看，而數(shù)據(jù)挖掘就是機器的母語。分割、集群、孤立點分析還有各種各樣五花八門的算法讓我們精煉數(shù)據(jù)，挖掘價值。這些算法一定要能夠應付大數(shù)據(jù)的量，同時還具有很高的處理速度。3.預測性分析。預測性分析可以讓分析師根據(jù)圖像化分析和數(shù)據(jù)挖掘的結果做出一些前瞻性判斷。4.語義引擎。語義引擎需要設計到有足夠的人工智能以足以從數(shù)據(jù)中主動地提取信息。語言處理技術包括機器翻譯、情感分析、輿情分析、智能輸入、問答系統(tǒng)等。5.數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理。數(shù)據(jù)質(zhì)量與管理是管理的最佳實踐，透過標準化流程和機器對數(shù)據(jù)進行處理可以確保獲得一個預設質(zhì)量的分析結果。

大數(shù)據(jù)展現(xiàn)與應用技術:大數(shù)據(jù)技術能夠將隱藏于海量數(shù)據(jù)中的信息和知識挖掘

出來，為人類的社會經(jīng)濟活動提供依據(jù)，從而提高各個領域的運行效率，大大提高整個社會經(jīng)濟的集約化程度。在我國，大數(shù)據(jù)將重點應用于以下三大領域:商業(yè)智能、政府決策、公共服務。例如:商業(yè)智能技術，政府決策技術，電信數(shù)據(jù)信息處理與挖掘技術，電網(wǎng)數(shù)據(jù)信息處理與挖掘技術，氣象信息分析技術，環(huán)境監(jiān)測技術，敬務云應用系統(tǒng)(道路監(jiān)控、視頻監(jiān)控、網(wǎng)絡監(jiān)控、智能交通、反電信詐騙、指揮調(diào)度等公安信息系統(tǒng))，大規(guī)?；蛐蛄蟹治霰葘夹g，Web信息挖掘技術，多媒體數(shù)據(jù)并行化處理技術，影視制作渲染技術，其他各種行業(yè)的云計算和海量數(shù)據(jù)處理應用技術等。

分享安排

時間：2022年11月24日 —2022年11月28日線上直播

目標：1.掌握大數(shù)據(jù)建模分析與使用方法。

2.掌握大數(shù)據(jù)平臺技術架構。

3.掌握國內(nèi)外主流的大數(shù)據(jù)分析與BI商業(yè)智能分析解決方案。

4.掌握大數(shù)據(jù)分析在搜索引擎、廣告服務推薦、電商數(shù)據(jù)分析、金融客戶分析方面的應用。

5.掌握主流的基于大數(shù)據(jù)Hadoop和Spark、R的大數(shù)據(jù)分析平臺架構和實際應用。

6.掌握基于Hadoop大數(shù)據(jù)平臺的數(shù)據(jù)挖掘和數(shù)據(jù)倉庫分布式系統(tǒng)平臺應用，以及商業(yè)和開源的數(shù)據(jù)分析產(chǎn)品加上Hadoop平臺形成大數(shù)據(jù)分析平臺的應用剖析。

7.掌握常見的機器學習算法。

大數(shù)據(jù)課程知識點：

一、大數(shù)據(jù)概述：1.大數(shù)據(jù)及特點分析；2.大數(shù)據(jù)關健技術；3.大數(shù)據(jù)計算模式；4.大數(shù)據(jù)應用實例

二、大數(shù)據(jù)處理架構Hadoop：1.Hadoop項目結構；2.Hadoop安裝與使用；3.Hadoop集群的部署與使用；4.Hadoop 代表性組件

三、分布式文件系統(tǒng)HDFS ：1.HDFS體系結構；2.HDFS存儲；3.HDFS數(shù)據(jù)讀寫過程

四、分布式數(shù)據(jù)庫HBase ：1.HBase訪問接口；2.HBase數(shù)據(jù)類型；3.HBase實現(xiàn)原理；4.HBase運行機制；5.HBase應用

五、MapReduce ：1.MapReduce體系結構；2.MapReduce工作流程；3.資源管理調(diào)度框架YARN ；4.MapReduce應用

六、Spark ：1.Spark生態(tài)與運行架構；2.Spark SQL；3.Spark部署與應用方式

七、IPython Notebook運行Python Spark程序：1.Anaconda；2.IPython Notebook使用Spark；3.使用IPython Notebook在Hadoop YARN模式運行

八、Python Spark集成開發(fā)環(huán)境 ：1.Python Spark集成開發(fā)環(huán)境部署配置；2.Spark數(shù)據(jù)分析庫MLlib的開發(fā)部署

九、Python Spark決策樹二分類與多分類 ：1.決策樹原理；2.大數(shù)據(jù)問題；3.決策樹二分類；4.決策樹多分類

十、Python Spark支持向量機 ：1.支持向量機SVM 原理與算法；2.Python Spark SVM程序設計

十一、Python Spark 貝葉斯模型 ：1.樸素貝葉斯模型原理；2.Python Spark貝葉斯模型程序設計

十二、Python Spark邏輯回歸 ：1.邏輯回歸原理；2.Python Spark邏輯回歸程序設計

十三、Python Spark回歸分析 ：1.大數(shù)據(jù)分析；2.數(shù)據(jù)集介紹；3.Python Spark回歸程序設計

十四、Spark ML Pipeline 機器學習流程分類 ：1.機器學習流程組件：StringIndexer、OneHotEncoder、VectorAssembler等

2.使用Spark ML Pipeline 機器學習流程分類程序設計

十五、Python Spark 創(chuàng)建推薦引擎 ：1.推薦算法；2.推薦引擎大數(shù)據(jù)分析使用場景；3.推薦引擎設計

十六、項目實踐：1.日志分析系統(tǒng)與日志挖掘項目實踐；2.推薦系統(tǒng)項目實踐

審核編輯 黃昊宇