大数据技术期末复习重点，不挂科看这里~

一、大数据概念

====================================================================

1.什么是大数据，大数据的意义是什么？大数据的特征是什么？

大数据是由云计算技术支撑，对海量数据进行推测预演的技术。

大数据局意义是通过关联找到规则，有数据可说，说数据可靠。

大数据有四大特征：

• 体量大：数据规模十分庞大，根据新摩尔定律每十八个月翻一倍

• 价值高：数据的价值密度低但有巨大潜在价值

• 速度快：随着计算机和网络技术的发展，数据采集，储存，分析，处理的速度越来越快

• 种类多：数据来源广、维度多、关系杂

2.大数据的技术支撑是什么？

大数据的技术支支撑是云计算。Hadoop的出现为大数据带来了曙光，HDFS为海量数据提供了存储，MapReduce为海量数据提供了并行计算，大数据使得人工智能水平得到很大的提升。

3.大数据的处理方法有哪些？

• 数据的采集：主要通过数据抓取和导入、传感设备的信息采集获取数据

• 导入和预处理：导入是将海量数据导入到大型分布式数据库中，数据预处理是指在进行数据挖掘之前，对原始数据进行数据清洗、数据集成、数据变换等操作，以达到挖掘算法进行知识获取所要求的最低规范

• 统计与分析：可以使用R语言对海量数据进行分析和汇总

• 数据挖掘：通过对提供的数据进行分析，查找特定类型的模式或趋势

二、数据采集与预处理

=======================================================================

1.Kafka数据采集

2.数据预处理原理

通过数据预处理操作，使残缺的数据完整，将错误的数据纠正，把多余的数据去除，挑选出所需的数据进行数据集成。

数据的预处理方法一般有数据清洗、数据集成、数据变换等。

3.数据预处理方法

数据的预处理方法一般有数据清洗、数据集成、数据变换等。

• 数据清洗是数据预处理的首要方法。通过填充缺失值、光滑噪声数据、识别和删除离群点等方法使残缺的数据完整，将错误的数据纠正，把多余的数据去除，挑选出所需的数据

• 数据集成是合并多个数据源的数据，存放在同一个数据仓库。

• 数据变换是将数据变换成统一适合挖掘的形式。

4.数据清洗有哪些方法？

数据清洗的方法有填充缺失值、光滑噪声数据、识别和删除离群点等。

• 填充缺失值：有以下几个处理方法，忽略元组、人工填写缺失值、使用一个全局变量填充缺失值、用属性均值填充缺失值、用同类样本属性均值填充缺失值、使用最可能的值填充缺失值

• 光滑噪声数据：数据光滑技术的具体内容包括分箱、回归、聚类

4.1.分箱法

定义：通过观察某一数据周围的值来光滑有序数据的值，按照取值的不同划分可分为按箱平均值平滑、按箱中值平滑、以及按箱边界值平滑

4.2.回归

定义：利用某一拟合函数（如回归函数）来光滑数据

4.3.聚类

通过聚类分析检测出离群点。将类似的值组织成群或簇，落在簇之外的点就是离群点

5.数据集成要考虑的问题有哪些？

数据集成要考虑的问题有四个，分别是模式集成和对象匹配问题、冗余问题、元组重复问题、数据值冲突的检测与处理问题

6.数据变换主要涉及哪些内容？

数据变换主要涉及的内容包括有光滑。聚集、数据泛化、规范化、属性构造

三.数据挖掘

======

1.数据挖掘的概念

数据挖掘（DM）是从大量的、有噪声的、不完全的、模糊和随机的数据中，提取出隐含在其中的具有潜在价值的信息的过程。知识发现（KDD）包含数据挖掘（DM）

2.数据挖掘常用算法

数据挖掘常用方法有分类、聚类、关联规则、时间序列预测等

• 分类：分类是在给定数据基础上构建分类函数或分类模型，目的是将未知类别规类为给定类别种的某一类

• 聚类：聚类是将抽象对象的集合分为相似对象组成的多个类的过程，聚类过程生成的簇称为一组对象的集合，

• 关联规则：关联规则是信任度与支持度分别满足用户给定阈值的规则

• 时间序列预测：时间序列是将统计指标的数值按时间顺序排列所形成的数列。时间序列预测是将时间数列所反映的事件发展过程进行引申外推，预测发展趋势的一种方法。

3.分类

分类过程为学习和分类。第一步是建立模型，第二部根据模型进行分类。

3.1K最近邻算法

K最近邻算法的思想是：如果一个样本在特征空间的k个最相似样本中的大多数属于某一类别，则该样本属于该类别

3.2决策树

略

3.3贝叶斯分类

• 贝叶斯定理：P(A|B)=P(A) * P(B|A) / P(B)

根据贝叶斯定理

 

• 朴素贝叶斯定理：P(A1A2…An|C)*P©=P(A1|C)*P(A2|C)…*P(An|C)*P©, 朴素贝叶斯分类器是假设所有特征都彼此独立

3.4SVM(支持向量机算法)

超平面、超曲面、、、略

4.聚类

4.1聚类与分类的区别

分类：分类模型中存在的数据的是已经分类好的，分类的目的是从训练样本集中提取出分类的规则，用于对未知类别的数据进行归类

聚类：预先不知道目标数据有关类的信息，需要以某种度量为标准，将所有数据划分到各个簇中，因此聚类称为无监督学习

4.2聚类过程

数据准备——>特征选择——>特征提取——>聚类

4.3层次聚类算法

层次聚类算法的思想是对给定待聚类数据集合进行层次划分解,典型算法有BIRCH算法.

BIRCH算法：

4.4划分聚类算法

划分聚类思想是将给定的数据集分裂为k个簇，然后反复迭代到每个簇不再改变即得出聚类结果

4.4.1K-means****算法(K均值算法)

4.5****基于密度的聚类算法

层次聚类和划分聚类都以距离为基础，而密度聚类算法思想是只要邻近区域的数据点数目超过某个阈值就把它加到与之相近的聚类中

4.5.1DBSCAN****算法

名词概念：

邻域（Eps）：以给定对象为圆心，半径内的区域为该对象的邻域

核心对象：对象的邻域内至少有MinPts（设定的阈值）个对象，则该对象为核心对象

边界对象：对象的领域小于MinPts个对象，但是在某个核心对象的邻近域中

离群点（噪声）：对象的领域小于MinPts个对象，且不在某个核心对象的邻域中

直接密度可达：如果a是核心对象，b在a的邻域内，则a到b是直接密度可达

密度可达：a到b是直接密度可达，b到c是直接密度可达，则a到c是密度可达

密度相连：a到b是密度可达，a到c也是密度可达，则b到c是密度相连的

算法步骤：

1.输入两个参数：邻域半径（Eps），邻域密度阈值（MinPts）

2.找一个未访问的点

3.如果该点是核心点，访问所有从该点密度可达的点，形成一个簇

4.如果该点是边界点，跳出循环，寻找下一个点

详细讲解和例题可以看我另外一篇文章

聚类算法——基于密度的聚类算法DBSCAN_转行卖煎饼的博客-CSDN博客

5.关联规则

5.1 关联规则概念

关联规则挖掘指从数据集中识别出频繁出现的属性值集（频繁项集），然后利用频繁项集创建描述关联关系的规则的过程

5.2关联规则的名词解释

项集：数据库中的数据项构成的非空集合

事务：一个事务包含了一个或多个项集

支持度：包含项集x的事务数量与全部事务数量的百分比

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）

1712890902536)]
[外链图片转存中…(img-iEn8goox-1712890902537)]
[外链图片转存中…(img-80Goflk9-1712890902539)]
[外链图片转存中…(img-PnmbbKdo-1712890902539)]
[外链图片转存中…(img-iM395Qmi-1712890902539)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
[外链图片转存中…(img-t8d7SOFs-1712890902540)]