|
最近有很多人問我如何學(xué)習(xí)大數(shù)據(jù)？我也是思考了很多時(shí)日才動筆寫下此文。一方面我自己還只是大數(shù)據(jù)學(xué)習(xí)中的一個小學(xué)生，貿(mào)然動筆怕貽笑大方；另一方面大數(shù)據(jù)本身領(lǐng)域博大精深，其涵蓋領(lǐng)域之廣技術(shù)種類之多確實(shí)很難用一篇文章囊括。怎奈“下雨天打孩子，閑著也是閑著”，況筆者一直堅(jiān)持寫技術(shù)類的博客，今天也請?jiān)试S我寫一點(diǎn)務(wù)虛類的東西吧。
本文的目的是希望給所有大數(shù)據(jù)初學(xué)者規(guī)劃一條比較清晰的學(xué)習(xí)路線，幫助它們開啟大數(shù)據(jù)學(xué)習(xí)之旅。鑒于大數(shù)據(jù)領(lǐng)域內(nèi)的技術(shù)絢麗繁復(fù)，每位大數(shù)據(jù)初學(xué)者都應(yīng)該根據(jù)自己的實(shí)際情況制定專屬的學(xué)習(xí)路徑。
要說當(dāng)下IT行業(yè)什么最火？ABC無出其右。所謂ABC者，AI Big Data Cloud也，即人工智能、大數(shù)據(jù)和云計(jì)算(云平臺)。每個領(lǐng)域目前都有行業(yè)領(lǐng)袖在引領(lǐng)前行，今天我們來討論下大數(shù)據(jù)這個方向。
大數(shù)據(jù)，即Big Data，關(guān)于它的定義很多，我這里不再贅述了。最權(quán)威的莫屬IBM的定義，讀者可以自行查閱。既然本文關(guān)注如何學(xué)習(xí)大數(shù)據(jù)，那么我們首先就要定義大數(shù)據(jù)領(lǐng)域內(nèi)的不同角色設(shè)定。這樣各位才能根據(jù)自身實(shí)際情況找準(zhǔn)自己的定位從而開啟學(xué)習(xí)過程。
角色
以我的愚見，當(dāng)下大數(shù)據(jù)行業(yè)有兩類角色：
-
大數(shù)據(jù)工程
-
大數(shù)據(jù)分析
這兩類角色相互依存但又獨(dú)立運(yùn)作，何意？沒有大數(shù)據(jù)工程，大數(shù)據(jù)分析便無從談起；但倘若沒有大數(shù)據(jù)分析，我也實(shí)在想不出大數(shù)據(jù)工程存在的理由。這就類似于結(jié)婚和談戀愛——戀愛的目的是為了結(jié)婚，且不以結(jié)婚為目的的談戀愛都是耍流氓。
具體來說，大數(shù)據(jù)工程需要解決數(shù)據(jù)的定義、收集、計(jì)算與保存的工作，因此大數(shù)據(jù)工程師們在設(shè)計(jì)和部署這樣的系統(tǒng)時(shí)首要考慮的是數(shù)據(jù)高可用的問題，即大數(shù)據(jù)工程系統(tǒng)需要實(shí)時(shí)地為下游業(yè)務(wù)系統(tǒng)或分析系統(tǒng)提供數(shù)據(jù)服務(wù)；而大數(shù)據(jù)分析角色定位于如何利用數(shù)據(jù)——即從大數(shù)據(jù)工程系統(tǒng)中接收到數(shù)據(jù)之后如何為企業(yè)或組織提供有產(chǎn)出的數(shù)據(jù)分析，并且確實(shí)能夠幫助到公司進(jìn)行業(yè)務(wù)改善或提升服務(wù)水平，所以對于大數(shù)據(jù)分析師來說，他們首要解決的問題是發(fā)現(xiàn)并利用數(shù)據(jù)的價(jià)值，具體可能包括：趨勢分析、模型建立以及預(yù)測分析等。
簡單總結(jié)一下，大數(shù)據(jù)工程角色需要考慮數(shù)據(jù)的收集、計(jì)算(或是處理)和保存；大數(shù)據(jù)分析角色則是執(zhí)行數(shù)據(jù)的高級計(jì)算。
我們屬于哪種角色？
既然我們了解了大數(shù)據(jù)領(lǐng)域內(nèi)的角色分類，下面自然就需要“對號入座”確定自己的定位，這樣才能有的放矢地開始大數(shù)據(jù)學(xué)習(xí)。在考慮這個問題時(shí)，我們需要參考兩方面的因素：
-
專業(yè)知識背景
-
行業(yè)經(jīng)驗(yàn)
這里的專業(yè)知識背景不是指代學(xué)歷、院校這種背景，而是你對某些IT技術(shù)的了解程度。即使你不是計(jì)算機(jī)專業(yè)出身，只要你對C語言有一腔熱血，怕是C之父Dennis Ritchie也不敢小瞧你。因此，這里的專業(yè)知識其實(shí)就只有兩個：
而行業(yè)經(jīng)驗(yàn)指的是你相關(guān)領(lǐng)域內(nèi)的工作經(jīng)驗(yàn)，具體可以分為三檔：
Okay，現(xiàn)在我們就可以根據(jù)上面的分類來定義自己的角色。比如拿筆者來說，我對自己的定位是：“我是一個計(jì)算機(jī)專業(yè)畢業(yè)的工程師，有一定數(shù)學(xué)基礎(chǔ)(特別是在微積分和線性代數(shù)方面)，但數(shù)理統(tǒng)計(jì)和概率論部分是我的弱項(xiàng)?！?另外最好別打腫臉充胖子，如果之前沒什么經(jīng)驗(yàn)，承認(rèn)自己是菜鳥也沒事，關(guān)鍵是找準(zhǔn)自己的定位。
確定自己的定位后，我們需要對應(yīng)到特定的大數(shù)據(jù)角色，以下是一些基本法則：
-
如果您具有良好的編程基礎(chǔ)且深入了解計(jì)算機(jī)的交互方式以及互聯(lián)網(wǎng)底層技術(shù)原理，但數(shù)學(xué)和統(tǒng)計(jì)學(xué)掌握不深，那么大數(shù)據(jù)工程可能是您今后學(xué)習(xí)的方向
-
如果你有一定的編程基礎(chǔ)(掌握一些高級語言，如Python等)同時(shí)又很強(qiáng)的數(shù)學(xué)功底，那么大數(shù)據(jù)分析是您今天努力的方向
學(xué)習(xí)路線
不管您屬于以上哪種角色，有一些大數(shù)據(jù)理論知識是您必須要掌握的，他們包括但不限于：
無論是學(xué)習(xí)大數(shù)據(jù)工程還是大數(shù)據(jù)分析，這些理論知識都是必要的，因?yàn)樗鼈兪窃O(shè)計(jì)很多分布式系統(tǒng)必備的技能。下面我們就針對不同的角色設(shè)計(jì)不同的學(xué)習(xí)路線：
大數(shù)據(jù)工程師
對于大數(shù)據(jù)工程師而言，您至少要掌握以下技能：
-
一門JVM系語言：當(dāng)前大數(shù)據(jù)生態(tài)JVM系語言類的比重極大，某種程度上說是壟斷也不為過。這里我推薦大家學(xué)習(xí)Java或Scala，至于Clojure這樣的語言上手不易，其實(shí)并不推薦大家使用。另外，如今是“母以子貴”的年代，某個大數(shù)據(jù)框架會帶火它的編程語言的流行，比如Docker之于Go、Kafka之于Scala。因此筆者這里建議您至少要精通一門JVM系的語言。值得一提的，一定要弄懂這門語言的多線程模型和內(nèi)存模型，很多大數(shù)據(jù)框架的處理模式其實(shí)在語言層面和多線程處理模型是類似的，只是大數(shù)據(jù)框架把它們引申到了多機(jī)分布式這個層面。
-
計(jì)算處理框架：嚴(yán)格來說，這分為離線批處理和流式處理。流式處理是未來的趨勢，建議大家一定要去學(xué)習(xí)；而離線批處理其實(shí)已經(jīng)快過時(shí)了，它的分批處理思想無法處理無窮數(shù)據(jù)集，因此其適用范圍日益縮小。事實(shí)上，Google已經(jīng)在公司內(nèi)部正式廢棄了以MapReduce為代表的離線處理。因此如果要學(xué)習(xí)大數(shù)據(jù)工程，掌握一門實(shí)時(shí)流式處理框架是必須的。當(dāng)下主流的框架包括：Apache Samza, Apache Storm, Apache Spark
Streaming以及最近一年風(fēng)頭正勁的Apache Flink。當(dāng)然Apache Kafka也推出了它自己的流式處理框架：Kafka Streams
-
分布式存儲框架：雖說MapReduce有些過時(shí)了，但Hadoop的另一個基石HDFS依然堅(jiān)挺，并且是開源社區(qū)最受歡迎的分布式存儲，絕對您花時(shí)間去學(xué)習(xí)。如果想深入研究的話，Google的GFS論文也是一定要讀的（[url=]https://static./media/research.google.com/en//archive/gfs-sosp2003.pdf[/url]）。當(dāng)然開源世界中還有很多的分布式存儲，國內(nèi)阿里巴巴的OceanBase也是很優(yōu)秀的一個。
-
資源調(diào)度框架：Docker可是整整火了最近一兩年。各個公司都在發(fā)力基于Docker的容器解決方案，最有名的開源容器調(diào)度框架就是K8S了，但同樣著名的還有Hadoop的YARN和Apache Mesos。后兩者不僅可以調(diào)度容器集群，還可以調(diào)度非容器集群，非常值得我們學(xué)習(xí)。
-
分布式協(xié)調(diào)框架：有一些通用的功能在所有主流大數(shù)據(jù)分布式框架中都需要實(shí)現(xiàn)，比如服務(wù)發(fā)現(xiàn)、領(lǐng)導(dǎo)者選舉、分布式鎖、KV存儲等。這些功能也就催生了分布式協(xié)調(diào)框架的發(fā)展。最古老也是最有名的當(dāng)屬Apache Zookeeper了，新一些的包括Consul，etcd等。學(xué)習(xí)大數(shù)據(jù)工程，分布式協(xié)調(diào)框架是不能不了解的， 某種程度上還要深入了解。
-
KV數(shù)據(jù)庫：典型的就是memcache和Redis了，特別是Redis簡直是發(fā)展神速。其簡潔的API設(shè)計(jì)和高性能的TPS日益得到廣大用戶的青睞。即使是不學(xué)習(xí)大數(shù)據(jù)，學(xué)學(xué)Redis都是大有裨益的。
-
列式存儲數(shù)據(jù)庫：筆者曾經(jīng)花了很長的時(shí)間學(xué)習(xí)Oracle，但不得不承認(rèn)當(dāng)下關(guān)系型數(shù)據(jù)庫已經(jīng)慢慢地淡出了人們的視野，有太多的方案可以替代rdbms了。人們針對行式存儲不適用于大數(shù)據(jù)ad-hoc查詢這種弊端開發(fā)出了列式存儲，典型的列式存儲數(shù)據(jù)庫就是開源社區(qū)的HBASE。實(shí)際上列式存儲的概念也是出自Google的一篇論文：Google BigTable，有興趣的話大家最好讀一下：[url=]https://static./media/research.google.com/en//archive/bigtable-osdi06.pdf[/url]
-
消息隊(duì)列：大數(shù)據(jù)工程處理中消息隊(duì)列作為“削峰填谷”的主力系統(tǒng)是必不可少的，當(dāng)前該領(lǐng)域內(nèi)的解決方案有很多，包括ActiveMQ，Kafka等。國內(nèi)阿里也開源了RocketMQ。這其中的翹楚當(dāng)屬Apache Kafka了。Kafka的很多設(shè)計(jì)思想都特別契合分布流式數(shù)據(jù)處理的設(shè)計(jì)理念。這也難怪，Kafka的原作者Jay Kreps可是當(dāng)今實(shí)時(shí)流式處理方面的頂級大神。
大數(shù)據(jù)分析師或數(shù)據(jù)科學(xué)家
要想成為一個數(shù)據(jù)科學(xué)家，您至少要掌握以下技能：
-
數(shù)學(xué)功底：微積分是嚴(yán)格要掌握的。不一定要掌握多元微積分，但一元微積分是必須要熟練掌握并使用的。另外線性代數(shù)一定要精通，特別是矩陣的運(yùn)算、向量空間、秩等概念。當(dāng)前機(jī)器學(xué)習(xí)框架中很多計(jì)算都需要用到矩陣的乘法、轉(zhuǎn)置或是求逆。雖然很多框架都直接提供了這樣的工具，但我們至少要了解內(nèi)部的原型原理，比如如何高效判斷一個矩陣是否存在逆矩陣并如何計(jì)算等。
-
數(shù)理統(tǒng)計(jì)：概率論和各種統(tǒng)計(jì)學(xué)方法要做到基本掌握，比如貝葉斯概率如何計(jì)算？概率分布是怎么回事？雖不要求精通，但對相關(guān)背景和術(shù)語一定要了解
-
交互式數(shù)據(jù)分析框架：這里并不是指SQL或數(shù)據(jù)庫查詢，而是像Apache Hive或Apache Kylin這樣的分析交互框架。開源社區(qū)中有很多這樣類似的框架，可以使用傳統(tǒng)的數(shù)據(jù)分析方式對大數(shù)據(jù)進(jìn)行數(shù)據(jù)分析或數(shù)據(jù)挖掘。筆者有過使用經(jīng)驗(yàn)的是Hive和Kylin。不過Hive特別是Hive1是基于MapReduce的，性能并非特別出色，而Kylin采用數(shù)據(jù)立方體的概念結(jié)合星型模型，可以做到很低延時(shí)的分析速度，況且Kylin是第一個研發(fā)團(tuán)隊(duì)主力是中國人的Apache孵化項(xiàng)目，因此日益受到廣泛的關(guān)注。
-
機(jī)器學(xué)習(xí)框架：機(jī)器學(xué)習(xí)當(dāng)前真是火爆宇宙了，人人都提機(jī)器學(xué)習(xí)和AI，但筆者一直認(rèn)為機(jī)器學(xué)習(xí)恰似幾年前的云計(jì)算一樣，目前雖然火爆，但沒有實(shí)際的落地項(xiàng)目，可能還需要幾年的時(shí)間才能逐漸成熟。不過在現(xiàn)在就開始儲備機(jī)器學(xué)習(xí)的知識總是沒有壞處的。說到機(jī)器學(xué)習(xí)的框架，大家耳熟能詳?shù)挠泻芏喾N, 信手拈來的就包括TensorFlow、Caffe8、Keras9、CNTK10、Torch711等，其中又以TensorFlow領(lǐng)銜。筆者當(dāng)前建議大家選取其中的一個框架進(jìn)行學(xué)習(xí)，但以我對這些框架的了解，這些框架大多很方便地封裝了各種機(jī)器學(xué)習(xí)算法提供給用戶使用，但對于底層算法的了解其實(shí)并沒有太多可學(xué)習(xí)之處。因此筆者還是建議可以從機(jī)器學(xué)習(xí)算法的原理來進(jìn)行學(xué)習(xí)，比如：
-
Udacity的課程是非常入門級的機(jī)器學(xué)習(xí)課程，筆者推薦大家訂閱這個課程：[url=]https://classroom./courses/ud120[/url]
-
目前機(jī)器學(xué)習(xí)領(lǐng)域最NB的入門課程：吳恩達(dá)博士的Machine Learning
-
學(xué)習(xí)Python的scikit-learn庫[url=]http:///stable/[/url]
-
找一本書籍來看，國內(nèi)有周志華的《機(jī)器學(xué)習(xí)》，國內(nèi)可以期待吳恩達(dá)的新書：《Machine Learning Yearning》
-
最后如果你覺得掌握得差不多了，可以嘗試挑戰(zhàn)Kaggle了：[url=]https://www./[/url]
作者：
胡夕https://mp.weixin.qq.com/s/OG9RcApQoIyi1lu9oiFKMg
|
