公司核心人员哪来的 大家觉得大资料分析人员需要掌握哪些核心技能和演算法

大家觉得大资料分析人员需要掌握哪些核心技能和演算法  

大家觉得大资料分析人员需要掌握哪些核心技能和演算法

1、大资料生命周期
2、大资料技术生态
3、大资料采集与预处理
4、大资料储存与管理
5、大资料计算模式与系统
6、大资料分析与视觉化

大资料分析主要有哪些核心技术

统计与分析主要利用分散式资料库，或者分散式计算丛集来对储存于其内的海量资料进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基MySQL的列式储存Infobright等，而一些批处理，或者基于半结构化资料的需求可以使用Hadoop。统计与分析这部分的主要特点和挑战是分析涉及的资料量大，其对系统资源，特别是I/O会有极大的占用。

汇入/预处理

将这些来自前端的资料汇入到一个集中的大型分散式资料库，或者分散式储存丛集，并且可以在汇入基础上做一些简单的清洗和预处理工作。也有一些使用者会在汇入时使用来自Twitter的Storm来对资料进行流式计算，来满足部分业务的实时计算需求。汇入与预处理过程的特点和挑战主要是汇入的资料量大，每秒钟的汇入量经常会达到百兆，甚至千兆级别。

挖掘

比较典型演算法有用于聚类的K-Means、用于统计学习的SVM和用于分类的Naive Bayes，主要使用的工具有HadoopMahout。

商品资料分析员需要掌握哪些技能？, 资料分析专员需要掌握什么技能？

1 资料分析,一定要有精强的EXCEL表格资料处理能力.
2 要有政策敏感性,分析资料,关键点在分析上,要对行业及企业的资料对政策等都有较强的理解能力,资讯收集能力.
3 要有对企业行业的本质管理有明确的思维,要擅于挖掘资料之间的关系及反应出来的问题,与经营管理有连带关系.
4 需要为上级领导制定可以影响商业绩效的策略和行动计划,因此要有横向纵向分析的能力.
5 要熟悉PPT SPSS等资料汇总的方法.
6 要针对财务资料分盈余利润等,因此也要有财务管理及成本核算的基础知识.
7 不同行业还有不同要求,比如说工民建的知识,工程造价的知识,销售管理知识等等.这一行需要沉淀,不过从事得当并有突破后,极易成为成功人士,为未来奠定极好的基础.
加油吧,一定会成功的,书就不必多买了,网路是个大染缸,你看确定行业,或者喜爱的行业方向后,有不同的选择.

做好资料分析的需要掌握哪些技能

一、 懂业务
从事资料分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
二、 懂管理
一方面是搭建资料分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建资料分析的框架，后续的资料分析也很难进行。另一方面的作用是针对资料分析结论提出有指导意义的分析建议。
三、 懂分析
指掌握资料分析基本原理与一些有效的资料分析方法，并能灵活运用到实践工作中，以便有效的开展资料分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高阶的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
四、 懂工具
指掌握资料分析相关的常用工具。资料分析方法是理论，而资料分析工具就是实现资料分析方法理论的工具，面对越来越庞大的资料，我们不能依靠计算器进行分析，必须依靠强大的资料分析工具帮我们完成资料分析工作。
五、懂设计
懂设计是指运用图表有效表达资料分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

PHP的演算法可以实现大资料分析吗

1.Bloom filter
适用范围：可以用来实现资料字典，进行资料的判重，或者集合求交集
基本原理及要点：
对于原理来说很简单，位阵列+k个独立hash函式。将hash函式对应的值的位阵列置1，查询时如果发现所有hash函式对应位都是1说明存在，很明显这个过程并不保证查询的结果是100%正确的。同时也不支援删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。所以一个简单的改进就是 counting Bloom filter，用一个counter阵列代替位阵列，就可以支援删除了。
还有一个比较重要的问题，如何根据输入元素个数n，确定位阵列m的大小及hash函式个数。当hash函式个数k=(ln2)*(m/n)时错误率最小。在错误率不大于E的情况下，m至少要等于n*lg(1/E)才能表示任意n个元素的集合。但m还应该更大些，因为还要保证bit数组里至少一半为 0，则m 应该>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。
举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。这样k大概是8个。
注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。通常单个元素的长度都是有很多bit的。所以使用bloom filter记忆体上通常都是节省的。
扩充套件：
Bloom filter将集合中的元素对映到位阵列中，用k（k为杂凑函式个数）个对映位是否全1表示元素在不在这个集合中。Counting bloom filter（CBF）将位阵列中的每一位扩充套件为一个counter，从而支援了元素的删除操作。Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联。SBF采用counter中的最小值来近似表示元素的出现频率。
问题例项：给你A,B两个档案，各存放50亿条URL，每条URL占用64位元组，记忆体限制是4G，让你找出A,B档案共同的URL。如果是三个乃至n个档案呢？
根据这个问题我们来计算下记忆体的占用，4G=2^32大概是40亿*8大概是340亿，n=50亿，如果按出错率0.01算需要的大概是650亿个 bit。现在可用的是340亿，相差并不多，这样可能会使出错率上升些。另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了。
2.Hashing
适用范围：快速查询，删除的基本资料结构，通常需要总资料量可以放入记忆体
基本原理及要点：
hash函式选择，针对字串，整数，排列，具体相应的hash方法。
碰撞处理，一种是open hashing，也称为拉链法；另一种就是closed hashing，也称开地址法，opened addressing。 (:my400800.)
扩充套件：
d-left hashing中的d是多个的意思，我们先简化这个问题，看一看2-left hashing。2-left hashing指的是将一个杂凑表分成长度相等的两半，分别叫做T1和T2，给T1和T2分别配备一个杂凑函式，h1和h2。在储存一个新的key时，同时用两个杂凑函式进行计算，得出两个地址h1[key]和h2[key]。这时需要检查T1中的h1[key]位置和T2中的h2[key]位置，哪一个位置已经储存的（有碰撞的）key比较多，然后将新key储存在负载少的位置。如果两边一样多，比如两个位置都为空或者都储存了一个key，就把新key 储存在左边的T1子表中，2-left也由此而来。在查询一个key时，必须进行两次hash，同时查询两个位置。
问题例项：
1).海量日志资料，提取出某日访问百度次数最多的那个IP。
IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入记忆体，然后进行统计。
3.bit-map
适用范围：可进行资料的快速查询，判重，删除，一般来说资料范围是int的10倍以下
基本原理及要点：使用bit阵列来表示某些元素是否存在，比如8位电话号码
扩充套件：bloom filter可以看做是对bit-map的扩充套件
问题例项：
1)已知某个档案内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。
8位最多99 999 999，大概需要99m个bit，大概10几m位元组的记忆体即可。
2)2.5亿个整数中找出不重复的整数的个数，记忆体空间不足以容纳这2.5亿个整数。
将bit-map扩充套件一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上。或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map。
4.堆
适用范围：海量资料前n大，并且n比较小，堆可以放入记忆体
基本原理及要点：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。这样最后得到的n个元素就是最小的n个。适合大资料量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。
扩充套件：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。
问题例项：
1)100w个数中找最大的前100个数。
用一个100个元素大小的最小堆即可。
5.双层桶划分 ----其实本质上就是【分而治之】的思想，重在“分”的技巧上！
适用范围：第k大，中位数，不重复或重复的数字
基本原理及要点：因为元素范围很大，不能利用直接定址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。可以通过多次缩小，双层只是一个例子。
扩充套件：
问题例项：
1).2.5亿个整数中找出不重复的整数的个数，记忆体空间不足以容纳这2.5亿个整数。
有点像鸽巢原理，整数个数为2^32,也就是，我们可以将这2^32个数，划分为2^8个区域(比如用单个档案代表一个区域)，然后将资料分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。也就是说只要有足够的磁碟空间，就可以很方便的解决。
2).5亿个int找它们的中位数。
这个例子比上面那个更明显。首先我们将int划分为2^16个区域，然后读取资料统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。然后第二次扫描我们只统计落在这个区域中的那些数就可以了。
实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。即可以先将int64分成2^24个区域，然后确定区域的第几大数，在将该区域分成2^20个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有2^20，就可以直接利用direct addr table进行统计了。
6.资料库索引
适用范围：大资料量的增删改查
基本原理及要点：利用资料的设计实现方法，对海量资料的增删改查进行处理。
扩充套件：
问题例项：
7.倒排索引(Inverted index)
适用范围：搜寻引擎，关键字查询
基本原理及要点：为何叫倒排索引？一种索引方法，被用来储存在全文搜寻下某个单词在一个文件或者一组文件中的储存位置的对映。
以英文为例，下面是要被索引的文字：
T0 = "it is what it is"
T1 = "what is it"
T2 = "it is a banana"
我们就能得到下面的反向档案索引：
"a": {2}
"banana": {2}
"is": {0, 1, 2}
"it": {0, 1, 2}
"what": {0, 1}
检索的条件"what", "is" 和 "it" 将对应集合的交集。
正向索引开发出来用来储存每个文件的单词的列表。正向索引的查询往往满足每个文件有序频繁的全文查询和每个单词在校验文件中的验证这样的查询。在正向索引中，文件占据了中心的位置，每个文件指向了一个它所包含的索引项的序列。也就是说文件指向了它包含的那些单词，而反向索引则是单词指向了包含它的文件，很容易看到这个反向的关系。
扩充套件：
问题例项：文件检索系统，查询那些档案包含了某单词，比如常见的学术论文的关键字搜寻。
8.外排序
适用范围：大资料的排序，去重
基本原理及要点：外排序的归并方法，置换选择 败者树原理，最优归并树
扩充套件：
问题例项：
1).有一个1G大小的一个档案，里面每一行是一个词，词的大小不超过16个位元组，记忆体限制大小是1M。返回频数最高的100个词。
这个资料具有很明显的特点，词的大小为16个位元组，但是记忆体只有1m做hash有些不够，所以可以用来排序。记忆体可以当输入缓冲区使用。
9.trie树
适用范围：资料量大，重复多，但是资料种类小可以放入记忆体
基本原理及要点：实现方式，节点孩子的表示方式
扩充套件：压缩实现。
问题例项：
1).有10个档案，每个档案1G， 每个档案的每一行都存放的是使用者的query，每个档案的query都可能重复。要你按照query的频度排序 。
2).1000万字符串，其中有些是相同的(重复),需要把重复的全部去掉，保留没有重复的字串。请问怎么设计和实现？
3).寻找热门查询：查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过255位元组。
10.分散式处理 mapreduce
适用范围：资料量大，但是资料种类小可以放入记忆体
基本原理及要点：将资料交给不同的机器去处理，资料划分，结果归约。
扩充套件：
问题例项：
1).The canonical example application of MapReduce is a process to count the appearances of
each different word in a set of documents:
void map(String name, String document):
name: document name
document: document contents
for each word w in document:
EmitIntermediate(w, 1);
void reduce(String word, Iterator partialCounts):
key: a word
values: a list of aggregated partial counts
int result = 0;
for each v in partialCounts:
result += ParseInt(v);
Emit(result);
Here, each document is split in words, and each word is counted initially with a "1" value by
the Map function, using the word as the result key. The framework puts together all the pairs
with the same key and feeds them to the same call to Reduce, thus this function just needs to
sum all of its input values to find the total appearances of that word.
2).海量资料分布在100台电脑中，想个办法高效统计出这批资料的TOP10。
3).一共有N个机器，每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到N^2个数的中数(median)？
经典问题分析
上千万or亿资料（有重复），统计其中出现次数最多的前N个数据,分两种情况：可一次读入记忆体，不可一次读入。
可用思路：trie树+堆，资料库索引，划分子集分别统计，hash，分散式计算，近似统计，外排序
所谓的是否能一次读入记忆体，实际上应该指去除重复后的资料量。如果去重后资料可以放入记忆体，我们可以为资料建立字典，比如通过 map，hashmap，trie，然后直接进行统计即可。当然在更新每条资料的出现次数的时候，我们可以利用一个堆来维护出现次数最多的前N个数据，当然这样导致维护次数增加，不如完全统计后在求前N大效率高。
如果资料无法放入记忆体。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形，可以做的改变就是将字典存放到硬碟上，而不是记忆体，这可以参考资料库的储存方法。
当然还有更好的方法，就是可以采用分散式计算，基本上就是map-reduce过程，首先可以根据资料值或者把资料hash(md5)后的值，将资料按照范围划分到不同的机子，最好可以让资料划分后可以一次读入记忆体，这样不同的机子负责处理各种的数值范围，实际上就是map。得到结果后，各个机子只需拿出各自的出现次数最多的前N个数据，然后汇总，选出所有的资料中出现次数最多的前N个数据，这实际上就是reduce过程。
实际上可能想直接将资料均分到不同的机子上进行处理，这样是无法得到正确的解的。因为一个数据可能被均分到不同的机子上，而另一个则可能完全聚集到一个机子上，同时还可能存在具有相同数目的资料。比如我们要找出现次数最多的前100个，我们将1000万的资料分布到10台机器上，找到每台出现次数最多的前 100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机子，这样在每台上只有1千个，假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集。因此不能将资料随便均分到不同机子上，而是要根据hash 后的值将它们对映到不同的机子上处理，让不同的机器处理一个数值范围。
而外排序的方法会消耗大量的IO，效率不会很高。而上面的分散式方法，也可以用于单机版本，也就是将总的资料根据值的范围，划分成多个不同的子档案，然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。
另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入记忆体。

大资料分析的技术包括哪些

大资料技术，就是从各种型别的资料中快速获得有价值资讯的技术。大资料领域已经涌现出了大量新的技术，它们成为大资料采集、储存、处理和呈现的有力武器。智慧职涯（bigdata-job)总结了大资料处理关键技术一般包括：大资料采集、大资料预处理、大资料储存及管理、大资料分析及挖掘、大资料展现和应用（大资料检索、大资料视觉化、大资料应用、大资料安全等）。

晓明科技能做大资料分析吗

能 啊 ， 他 们 有 专 业 的 大 数 据 分 析 产 品 神 算 手 ， 晓 明 科 技 大 数 据 分 析 服 务 通 过 深 度 机 器 学 习 和 自 然 语 言 处 理 技 术 ， 同 时 加 入 人 的 经 验 来 引 导 机 器 学 习 结 果 ， 自 动 生 成 数 学 模 型 ， 不 仅 大 大 减 少 耗 时 的 人 工 活 动 还 使 得 监 控 更 为 精 准 。 另 外 晓 明 科 技 提 供 的 交 互 式 图 形 用 户 界 面 让 识 别 相 关 性 、 洞 察 规 律 变 得 十 分 轻 松 ； 同 时 晓 明 科 技 独 有 的 高 性 能 内 存 分 析 技 术 可 以 在 几 秒 或 几 分 钟 之 间 完 成 亿 万 条 数 据 的 处 理 。 综 上 都 可 以 为 您 的 企 业 发 现 新 的 机 会 ， 驱 动 新 业 务 引 擎

哪家有大资料分析课程？

千锋是有很多课程的