如何规划属于自己的大数据学习路线？

已经火了很久了，一直想了解它学习它结果没时间，了解了一些资料，结合我自己的情况，整理了一个学习路线。

大数据学习路线（自己制定，从零开始）

学习路线

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,sparkcore,sparksql,sparkstreaming,sparkmllib,sparkgraphx)

Python(python,sparkpython)

平台(docker,kvm,openstack)

大数据学习资料分享群119599574

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

hadoopcommon

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ResourceManagerNodeManager。

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

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，activestandby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

ClouderaManager：管理监控诊断集成

ClouderaCDH：(Cloudera’sDistribution，includingApacheHadoop)Cloudera对Hadoop做了相应的改变，发行版本称为CDH。

ClouderaFlume：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。

ClouderaImpala：对存储在ApacheHadoop的HDFS，HBase的数据提供直接查询互动的SQL。

Clouderahue：web管理器，包括hueui，huiserver，huidb。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。

Spark：Spark是在Scala语言中实现的类似于HadoopMapReduce的通用并行框架，除了HadoopMapReduce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。

SparkSQL：

SparkStreaming：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。

SparkMLlib：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。

SparkGraphX：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。

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。

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。

SparkPython：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：(KeyboardVideoMouse)

openstack：开源的云计算管理平台项目
　　 人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
大数据工程师培训，需要学习的有哪些课程?
http://www.duozhishidai.com/article-15081-1.html
大数据工程师就业培训哪个好?
http://www.duozhishidai.com/article-15082-1.html
java大数据与python大数据如何选择？
http://www.duozhishidai.com/article-12540-1.html

---

多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站