大數(shù)據(jù)學(xué)習(xí)路線（自己制定的，從零開始）

       大數(shù)據(jù)已經(jīng)火了很久了，一直想了解它學(xué)習(xí)它結(jié)果沒時間，過年后終于有時間了，了解了一些資料，結(jié)合我自己的情況，初步整理了一個學(xué)習(xí)路線，有問題的希望大神指點(diǎn)。

學(xué)習(xí)路線

Linux(shell,高并發(fā)架構(gòu),lucene,solr)

Hadoop(Hadoop,HDFS,Mapreduce,yarn,hive,hbase,sqoop,zookeeper,flume)

機(jī)器學(xué)習(xí)(R,mahout)

Storm(Storm,kafka,redis)

Spark(scala,spark,spark core,spark sql,spark streaming,spark mllib,spark graphx)

Python(python,spark python) 

云計(jì)算平臺(docker,kvm,openstack)

名詞解釋

一、Linux

lucene： 全文檢索引擎的架構(gòu)

solr： 基于lucene的全文搜索服務(wù)器，實(shí)現(xiàn)了可配置、可擴(kuò)展并對查詢性能進(jìn)行了優(yōu)化，并且提供了一個完善的功能管理界面。

二、Hadoop

hadoop common

HDFS： 分布式存儲系統(tǒng)，包含NameNode，DataNode。NameNode：元數(shù)據(jù)，DataNode。DataNode：存數(shù)數(shù)據(jù)。

yarn： 可以理解為MapReduce的協(xié)調(diào)機(jī)制，本質(zhì)就是Hadoop的處理分析機(jī)制，分為ResourceManager NodeManager。

MapReduce： 軟件框架，編寫程序。

Hive： 數(shù)據(jù)倉庫 可以用SQL查詢，可以運(yùn)行Map/Reduce程序。用來計(jì)算趨勢或者網(wǎng)站日志，不應(yīng)用于實(shí)時查詢，需要很長時間返回結(jié)果。

HBase： 數(shù)據(jù)庫。非常適合用來做大數(shù)據(jù)的實(shí)時查詢。Facebook用Hbase存儲消息數(shù)據(jù)并進(jìn)行消息實(shí)時的分析

ZooKeeper： 針對大型分布式的可靠性協(xié)調(diào)系統(tǒng)。Hadoop的分布式同步等靠Zookeeper實(shí)現(xiàn)，例如多個NameNode，active standby切換。

Sqoop： 數(shù)據(jù)庫相互轉(zhuǎn)移，關(guān)系型數(shù)據(jù)庫和HDFS相互轉(zhuǎn)移

Mahout： 可擴(kuò)展的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘庫。用來做推薦挖掘，聚集，分類，頻繁項(xiàng)集挖掘。

Chukwa： 開源收集系統(tǒng)，監(jiān)視大型分布式系統(tǒng)，建立在HDFS和Map/Reduce框架之上。顯示、監(jiān)視、分析結(jié)果。

Ambari： 用于配置、管理和監(jiān)視Hadoop集群，基于Web，界面友好。

二、Cloudera

Cloudera Manager： 管理 監(jiān)控 診斷 集成

Cloudera CDH：(Cloudera's Distribution，including Apache Hadoop) Cloudera對Hadoop做了相應(yīng)的改變，發(fā)行版本稱為CDH。

Cloudera Flume： 日志收集系統(tǒng)，支持在日志系統(tǒng)中定制各類數(shù)據(jù)發(fā)送方，用來收集數(shù)據(jù)。

Cloudera Impala： 對存儲在Apache Hadoop的HDFS，HBase的數(shù)據(jù)提供直接查詢互動的SQL。

Cloudera hue： web管理器，包括hue ui，hui server，hui db。hue提供所有CDH組件的shell界面的接口，可以在hue編寫mr。

三、機(jī)器學(xué)習(xí)/R

R： 用于統(tǒng)計(jì)分析、繪圖的語言和操作環(huán)境，目前有Hadoop-R

mahout： 提供可擴(kuò)展的機(jī)器學(xué)習(xí)領(lǐng)域經(jīng)典算法的實(shí)現(xiàn)，包括聚類、分類、推薦過濾、頻繁子項(xiàng)挖掘等，且可通過Hadoop擴(kuò)展到云中。

四、storm

Storm： 分布式，容錯的實(shí)時流式計(jì)算系統(tǒng)，可以用作實(shí)時分析，在線機(jī)器學(xué)習(xí)，信息流處理，連續(xù)性計(jì)算，分布式RPC，實(shí)時處理消息并更新數(shù)據(jù)庫。

Kafka： 高吞吐量的分布式發(fā)布訂閱消息系統(tǒng)，可以處理消費(fèi)者規(guī)模的網(wǎng)站中的所有動作流數(shù)據(jù)（瀏覽，搜索等）。相對Hadoop的日志數(shù)據(jù)和離線分析，可以實(shí)現(xiàn)實(shí)時處理。目前通過Hadoop的并行加載機(jī)制來統(tǒng)一線上和離線的消息處理

Redis： 由c語言編寫，支持網(wǎng)絡(luò)、可基于內(nèi)存亦可持久化的日志型、key-value型數(shù)據(jù)庫。

五、Spark

Scala： 一種類似java的完全面向?qū)ο蟮木幊陶Z言。

Spark： Spark是在Scala語言中實(shí)現(xiàn)的類似于Hadoop MapReduce的通用并行框架，除了Hadoop MapReduce所具有的優(yōu)點(diǎn)，但不同于MapReduce的是job中間輸出結(jié)果可以保存在內(nèi)存中，從而不需要讀寫HDFS，因此Spark能更好的適用于數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)等需要迭代的MapReduce算法?？梢院虷adoop文件系統(tǒng)并行運(yùn)作，用過Mesos的第三方集群框架可以支持此行為。

Spark SQL：  

Spark Streaming： 一種構(gòu)建在Spark上的實(shí)時計(jì)算框架，擴(kuò)展了Spark處理×××式數(shù)據(jù)的能力。

Spark MLlib： MLlib是Spark是常用的機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)庫，目前(2014.05)支持二元分類，回歸，聚類以及協(xié)同過濾。同時也包括一個底層的梯度下降優(yōu)化基礎(chǔ)算法。MLlib以來jblas線性代數(shù)庫，jblas本身以來遠(yuǎn)程的Fortran程序。

Spark GraphX： GraphX是Spark中用于圖和圖并行計(jì)算的API，可以在Spark之上提供一站式數(shù)據(jù)解決方案，可以方便且高效地完成圖計(jì)算的一整套流水作業(yè)。

jblas： 一個快速的線性代數(shù)庫（JAVA）?；贐LAS與LAPACK，矩陣計(jì)算實(shí)際的行業(yè)標(biāo)準(zhǔn)，并使用先進(jìn)的基礎(chǔ)設(shè)施等所有的計(jì)算程序的ATLAS藝術(shù)的實(shí)現(xiàn)，使其非?？臁?/p>

Fortran： 最早出現(xiàn)的計(jì)算機(jī)高級程序設(shè)計(jì)語言，廣泛應(yīng)用于科學(xué)和工程計(jì)算領(lǐng)域。

BLAS： 基礎(chǔ)線性代數(shù)子程序庫，擁有大量已經(jīng)編寫好的關(guān)于線性代數(shù)運(yùn)算的程序。

LAPACK： 著名的公開軟件，包含了求解科學(xué)與工程計(jì)算中最常見的數(shù)值線性代數(shù)問題，如求解線性方程組、線性最小二乘問題、特征值問題和奇異值問題等。

ATLAS： BLAS線性算法庫的優(yōu)化版本。

Spark Python： Spark是由scala語言編寫的，但是為了推廣和兼容，提供了java和python接口。

六、Python

Python: 一種面向?qū)ο蟮?、解釋型?jì)算機(jī)程序設(shè)計(jì)語言。

七、云計(jì)算平臺

Docker： 開源的應(yīng)用容器引擎
kvm： (Keyboard Video Mouse)
openstack：  開源的云計(jì)算管理平臺項(xiàng)目