如果你初來(lái)乍到，大數(shù)據(jù)看起來(lái)很?chē)樔?！根?jù)你掌握的基本理論，讓我們專(zhuān)注于一些關(guān)鍵術(shù)語(yǔ)以此給你的約會(huì)對(duì)象、老板、家人或者任何一個(gè)人帶來(lái)深刻的印象。

讓我們開(kāi)始吧：

1．算法。“算法”如何與大數(shù)據(jù)相關(guān)？即使算法是一個(gè)通用術(shù)語(yǔ)，但大數(shù)據(jù)分析使其在當(dāng)代更受青睞和流行。

2．分析。年末你可能會(huì)收到一份來(lái)自信用卡公司寄來(lái)的包含了全年所有交易記錄的年終報(bào)表。如果你有興趣進(jìn)一步分析自己在食物、衣服、娛樂(lè)等方面具體花費(fèi)占比呢？那你便是在做“分析”了。你正從一堆原始數(shù)據(jù)中來(lái)吸取經(jīng)驗(yàn)，以幫助自己為來(lái)年的消費(fèi)做出決策。如果你正在針對(duì)整個(gè)城市人群對(duì)Twitter或Facebook的帖子做同樣的練習(xí)呢？那我們便是在討論大數(shù)據(jù)分析了。大數(shù)據(jù)分析的實(shí)質(zhì)是利用大量數(shù)據(jù)來(lái)進(jìn)行推斷和講故事。大數(shù)據(jù)分析有3種不同到的類(lèi)型，接下來(lái)便繼續(xù)本話題進(jìn)行依次討論。

3．描述性分析。剛剛?cè)绻愀嬖V我，去年你的信用卡消費(fèi)在食物上花費(fèi)了25％、在服裝上花費(fèi)了35％、娛樂(lè)活動(dòng)上花費(fèi)了20％、剩下的就是雜七雜八的事項(xiàng)，這種便是描述性分析。當(dāng)然你還可以參考更多的細(xì)節(jié)。

4．預(yù)測(cè)分析。如果你根據(jù)過(guò)去5年的信用卡歷史記錄來(lái)進(jìn)行分析，并且劃分具有一定的連續(xù)性，則你可以高概率預(yù)測(cè)明年將與過(guò)去幾年相差無(wú)幾。此處需要注意的細(xì)節(jié)是，這并不是“預(yù)測(cè)未來(lái)”，而是未來(lái)可能會(huì)發(fā)生的“概率”。在大數(shù)據(jù)預(yù)測(cè)分析中，數(shù)據(jù)科學(xué)家可能會(huì)使用類(lèi)似機(jī)器學(xué)習(xí)、高級(jí)的統(tǒng)計(jì)過(guò)程（后文將對(duì)這些術(shù)語(yǔ)進(jìn)行介紹）等先進(jìn)的技術(shù)去預(yù)測(cè)天氣、經(jīng)濟(jì)變化等。

5．規(guī)范分析。沿用信用卡交易的案例，你可能想要找出哪方面的支出（級(jí)食品、服裝、娛樂(lè)等）對(duì)自己的整體支出產(chǎn)生巨大的影響。規(guī)范分析建立在預(yù)測(cè)分析的基礎(chǔ)之上，包含了“行動(dòng)”記錄（例如減少食品、服裝、娛樂(lè)支出），并分析所得結(jié)果來(lái)“規(guī)定”最佳類(lèi)別以減少總體支出。你可以嘗試將其發(fā)散到大數(shù)據(jù)，并設(shè)想高管們?nèi)绾瓮ㄟ^(guò)查看各種行動(dòng)的影響來(lái)做出數(shù)據(jù)驅(qū)動(dòng)的決策。

6．批處理。雖然批量數(shù)據(jù)處理在大型機(jī)時(shí)代就早已出現(xiàn)，但大數(shù)據(jù)交給它更多大數(shù)據(jù)集處理，因此賦予了批處理更多的意義。對(duì)于一段時(shí)間內(nèi)收集到的一組事務(wù)，批量數(shù)據(jù)處理為處理大量數(shù)據(jù)提供了一種有效的方法。后文將介紹的Hadoop便是專(zhuān)注于批量數(shù)據(jù)處理。超越批處理的世界：流計(jì)算 使用Spark SQL構(gòu)建批處理程序。

7． Cassandra是由Apache Software Foundation管理的一款流行的開(kāi)源數(shù)據(jù)庫(kù)管理系統(tǒng)。很多大數(shù)據(jù)技術(shù)都?xì)w功于Apache，其中Cassandra的設(shè)計(jì)初衷便是處理跨分布式服務(wù)器的大量數(shù)據(jù)。

8． 云計(jì)算。顯而易見(jiàn)云計(jì)算已經(jīng)變得無(wú)所不在，所以本文可能無(wú)須贅述，但為了文章的完整性還是佐以介紹。云計(jì)算的本質(zhì)是在遠(yuǎn)程服務(wù)器上運(yùn)行的軟件和（／或）數(shù)據(jù)托管，并允許從互聯(lián)網(wǎng)上的任何地方進(jìn)行訪問(wèn)。

9． 集群計(jì)算。它是一種利用多臺(tái)服務(wù)器的匯集資源的“集群”來(lái)進(jìn)行計(jì)算的奇特方式。在了解了更多技術(shù)之后，我們可能還會(huì)討論節(jié)點(diǎn)、集群管理層、負(fù)載平衡和并行處理等。

10． 黑暗數(shù)據(jù)。依我看來(lái)，這個(gè)詞適用于那些嚇得六神無(wú)主的高級(jí)管理層們。從根本上來(lái)說(shuō)，黑暗數(shù)據(jù)是指那些被企業(yè)收集和處理但又不用于任何有意義用途的數(shù)據(jù)，因此描述它是“黑暗的”，它們可能永遠(yuǎn)被埋沒(méi)。它們可能是社交網(wǎng)絡(luò)信息流、呼叫中心日志、會(huì)議筆記，諸如此類(lèi)。人們做出了諸多估計(jì)，在60－90％的所有企業(yè)數(shù)據(jù)都可能是“黑暗數(shù)據(jù)”，但無(wú)人真正知曉。

11． 數(shù)據(jù)湖。當(dāng)我第一次聽(tīng)到這個(gè)詞的時(shí)候，我真的以為有人在開(kāi)愚人節(jié)的玩笑。但它真的是個(gè)術(shù)語(yǔ)！數(shù)據(jù)湖是一個(gè)原始格式的企業(yè)級(jí)數(shù)據(jù)的大型存儲(chǔ)庫(kù)。雖然此處討論的是數(shù)據(jù)湖，但有必要再一起討論下數(shù)據(jù)倉(cāng)庫(kù)，因?yàn)閿?shù)據(jù)湖和數(shù)據(jù)倉(cāng)庫(kù)在概念上是極其相似的，都是企業(yè)級(jí)數(shù)據(jù)的存儲(chǔ)庫(kù)，但在清理和與其他數(shù)據(jù)源集成之后的結(jié)構(gòu)化格式上有所區(qū)別。數(shù)據(jù)倉(cāng)庫(kù)常用于常規(guī)數(shù)據(jù)（但不完全）。據(jù)說(shuō)數(shù)據(jù)湖能夠讓用戶(hù)輕松訪問(wèn)企業(yè)級(jí)數(shù)據(jù)，用戶(hù)真正按需知道自己正在尋找的是什么、如何處理并讓其智能化使用。擁抱開(kāi)源技術(shù)的前提——認(rèn)識(shí)數(shù)據(jù)湖 你知道數(shù)據(jù)湖泊（DATA LAKE）嗎？

12． 數(shù)據(jù)挖掘。數(shù)據(jù)挖掘是指利用復(fù)雜的模式識(shí)別技術(shù)從大量數(shù)據(jù)中找到有意義的模式、提取見(jiàn)解。這與我們前文討論的使用個(gè)人數(shù)據(jù)做分析的術(shù)語(yǔ)“分析”密切相關(guān)。為了提取出有意義的模式，數(shù)據(jù)挖掘者使用統(tǒng)計(jì)學(xué)（是呀，好老的數(shù)學(xué)）、機(jī)器學(xué)習(xí)算法和人工智能。

13．?dāng)?shù)據(jù)科學(xué)家。我們談?wù)摰氖且粋€(gè)如此熱門(mén)的職業(yè)！數(shù)據(jù)科學(xué)家們可以通過(guò)提取原始數(shù)據(jù)（難道是從前文所說(shuō)的數(shù)據(jù)湖中提取的？），處理數(shù)據(jù)，然后提出新見(jiàn)解。數(shù)據(jù)科學(xué)家所需具備的一些技能與超人無(wú)異：分析、統(tǒng)計(jì)、計(jì)算機(jī)科學(xué)、創(chuàng)造力、故事講述和理解業(yè)務(wù)環(huán)境。難怪他們能獲得如此高的薪水報(bào)酬。

14．分布式文件系統(tǒng)。由于大數(shù)據(jù)太大而無(wú)法在單個(gè)系統(tǒng)上進(jìn)行存儲(chǔ)，分布式文件系統(tǒng)提供一種數(shù)據(jù)存儲(chǔ)系統(tǒng)，方便跨多個(gè)存儲(chǔ)設(shè)備進(jìn)行大量數(shù)據(jù)的存放，并有助于降低大量數(shù)據(jù)存儲(chǔ)的成本和復(fù)雜度。

15． ETL。ETL分別是extract，transform，load的首字母縮寫(xiě)，代表提取、轉(zhuǎn)化和加載的過(guò)程。 它具體是指“提取”原始數(shù)據(jù)，通過(guò)數(shù)據(jù)清洗／修飾的方式進(jìn)行“轉(zhuǎn)化”以獲得 “適合使用”的數(shù)據(jù)，進(jìn)而“加載”到合適的存儲(chǔ)庫(kù)中供系統(tǒng)使用的整個(gè)過(guò)程。盡管ETL這一概念源于數(shù)據(jù)倉(cāng)庫(kù)，但現(xiàn)在也適用于其它情景下的過(guò)程，例如在大數(shù)據(jù)系統(tǒng)中從外部數(shù)據(jù)源獲取／吸收數(shù)據(jù)。我們需要什么樣的ETL？

工程師要不要寫(xiě)ETL？——教你構(gòu)建高效的算法／數(shù)據(jù)科學(xué)部門(mén) ETL的經(jīng)驗(yàn)總結(jié)

16． Hadoop。人們一想起大數(shù)據(jù)就能立即想到Hadoop。 Hadoop（擁有可愛(ài)的大象LOGO）是一個(gè)開(kāi)源軟件框架，主要組成部分是Hadoop分布式文件系統(tǒng)（HDFS），Hadoop部署了分布式硬件以支持大型數(shù)據(jù)集的存儲(chǔ)、檢索和分析。如果你真的想給別人留下深刻的印象，還可以談?wù)刌ARN（Yet Another Resource Schedule，另一個(gè)資源調(diào)度器），正如其名，它也是一個(gè)資源調(diào)度器。我由衷佩服這些為程序命名的人。為Hadoop命名的Apache基金會(huì)還想出了Pig，Hive和Spark（沒(méi)錯(cuò)，它們都是各種軟件的名稱(chēng)）。這些名字難道不讓你感到印象深刻嗎？

17． 內(nèi)存計(jì)算。一般來(lái)說(shuō)，任何可以在不訪問(wèn)I ／ O的情況下進(jìn)行的計(jì)算預(yù)計(jì)會(huì)比需要訪問(wèn)I／O的速度更快。內(nèi)存內(nèi)計(jì)算是一種能夠?qū)⒐ぷ鲾?shù)據(jù)集完全轉(zhuǎn)移到集群的集體內(nèi)存中、并避免了將中間計(jì)算寫(xiě)入磁盤(pán)的技術(shù)。Apache Spark便是一種內(nèi)存內(nèi)計(jì)算系統(tǒng)，它與I ／ O相比，在像Hadoop MapReduce這樣的系統(tǒng)上綁定具有巨大的優(yōu)勢(shì)。

18． IOT。最新的流行語(yǔ)是物聯(lián)網(wǎng)（Internet of things，簡(jiǎn)稱(chēng)IOT）。IOT是通過(guò)互聯(lián)網(wǎng)將嵌入式對(duì)象（傳感器、可穿戴設(shè)備、汽車(chē)、冰箱等）中的計(jì)算設(shè)備互連在一起，并且能夠發(fā)送／接收數(shù)據(jù)。IOT產(chǎn)生了大量的數(shù)據(jù)，這為呈現(xiàn)大數(shù)據(jù)分析提供了更多的機(jī)會(huì)。

19．機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)是為了設(shè)計(jì)一種基于提供的數(shù)據(jù)能夠進(jìn)行不斷學(xué)習(xí)、調(diào)整、改進(jìn)的系統(tǒng)的設(shè)計(jì)方法。機(jī)器使用預(yù)測(cè)和統(tǒng)計(jì)的算法進(jìn)行學(xué)習(xí)并專(zhuān)注于實(shí)現(xiàn)“正確的”行為模式和簡(jiǎn)見(jiàn)解，隨著越來(lái)越多的數(shù)據(jù)注入系統(tǒng)它還在不斷進(jìn)行優(yōu)化改進(jìn)。典型的應(yīng)用有欺詐檢測(cè)、在線個(gè)性化推薦等。

20．MapReduce。MapReduce的概念可能會(huì)有點(diǎn)混亂，但讓我試一試。MapReduce是一個(gè)編程模型，最好的理解方法是將Map和Reduce是看作兩個(gè)獨(dú)立的單元。在這種情況下，編程模型首先將大數(shù)據(jù)的數(shù)據(jù)集分成幾個(gè)部分（技術(shù)術(shù)語(yǔ)上是稱(chēng)作“元組”，但本文并不想太過(guò)技術(shù)性），因此可以部署到不同位置的不同計(jì)算機(jī)上（即前文所述的集群計(jì)算），這些本質(zhì)上是Map的組成部分。接下來(lái)該模型收集到所有結(jié)果并將“減少”到同一份報(bào)告中。 MapReduce的數(shù)據(jù)處理模型與hadoop的分布式文件系統(tǒng)相輔相成。

21．NoSQL。乍一聽(tīng)這像是針對(duì)傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)管理系統(tǒng)（RDBMS）的面向?qū)ο蟮腟QL（Structured Query Language， 結(jié)構(gòu)化查詢(xún)語(yǔ)言）的抗議，其實(shí)NoSQL代表的是NOT ONLY SQL，意即“不僅僅是SQL”。 NoSQL實(shí)際上是指被用來(lái)處理大量非結(jié)構(gòu)化、或技術(shù)上被稱(chēng)作“圖表”（例如關(guān)系型數(shù)據(jù)庫(kù)的表）等數(shù)據(jù)的數(shù)據(jù)庫(kù)管理系統(tǒng)。NoSQL數(shù)據(jù)庫(kù)一般非常適用于大型數(shù)據(jù)系統(tǒng)，這得益于它們的靈活性以及大型非結(jié)構(gòu)化數(shù)據(jù)庫(kù)所必備的分布式結(jié)構(gòu)。

22．R語(yǔ)言。有人能想到比這個(gè)編程語(yǔ)言更糟糕的名字嗎？是的，’R’是一門(mén)在統(tǒng)計(jì)計(jì)算中表現(xiàn)非常優(yōu)異的編程語(yǔ)言。如果你連’R’都不知道，那你就不是數(shù)據(jù)科學(xué)家。（如果你不知道’R’，就請(qǐng)不要把那些糟糕的代碼發(fā)給我了）。這就是在數(shù)據(jù)科學(xué)中最受歡迎的語(yǔ)言之一的R語(yǔ)言。

23． Spark（Apache Spark）。Apache Spark是一種快速的內(nèi)存內(nèi)數(shù)據(jù)處理引擎，它可以高效執(zhí)行需要快速迭代訪問(wèn)數(shù)據(jù)集的流、機(jī)器學(xué)習(xí)或SQL工作負(fù)載。Spark通常比我們前文討論的MapReduce快很多。

24．流處理。流處理旨在通過(guò)“連續(xù)”查詢(xún)對(duì)實(shí)時(shí)和流數(shù)據(jù)進(jìn)行操作。結(jié)合流分析（即在流內(nèi)同時(shí)進(jìn)行連續(xù)計(jì)算數(shù)學(xué)或統(tǒng)計(jì)分析的能力），流處理解決方案可以被用來(lái)實(shí)時(shí)處理非常大的數(shù)據(jù)。

25． 結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。這是大數(shù)據(jù)5V中的“Variety”多樣性。結(jié)構(gòu)化數(shù)據(jù)是能夠放入關(guān)系型數(shù)據(jù)庫(kù)的最基本的數(shù)據(jù)類(lèi)型，通過(guò)表的組織方式可以聯(lián)系到任何其他數(shù)據(jù)。非結(jié)構(gòu)化數(shù)據(jù)則是所有不能直接存入關(guān)系數(shù)據(jù)庫(kù)中的數(shù)據(jù)，例如電子郵件、社交媒體上的帖子、人類(lèi)錄音等。