大數(shù)據(jù)架構(gòu)師從入門到精通 學(xué)習(xí)必看寶典

經(jīng)常有初學(xué)者在博客和QQ問我，自己想往大數(shù)據(jù)方向發(fā)展，該學(xué)哪些技術(shù)，學(xué)習(xí)路線是什么樣的，覺得大數(shù)據(jù)很火，就業(yè)很好，薪資很高。如果自己很迷茫，為了這些原因想往大數(shù)據(jù)方向發(fā)展，也可以，那么我就想問一下，你的專業(yè)是什么，對于計算機/軟件，你的興趣是什么?是計算機專業(yè)，對操作系統(tǒng)、硬件、網(wǎng)絡(luò)、服務(wù)器感興趣?是軟件專業(yè)，對軟件開發(fā)、編程、寫代碼感興趣?還是數(shù)學(xué)、統(tǒng)計學(xué)專業(yè)，對數(shù)據(jù)和數(shù)字特別感興趣。

640.webp.jpg

其實這就是想告訴你的大數(shù)據(jù)的三個發(fā)展方向，平臺搭建/優(yōu)化/運維/監(jiān)控、大數(shù)據(jù)開發(fā)/ 設(shè)計/ 架構(gòu)、數(shù)據(jù)分析/挖掘。請不要問我哪個容易，哪個前景好，哪個錢多。

.在入門學(xué)習(xí)大數(shù)據(jù)的過程當(dāng)中有遇見學(xué)習(xí)，行業(yè)，缺乏系統(tǒng)學(xué)習(xí)路線，系統(tǒng)學(xué)習(xí)規(guī)劃，歡迎你加入我的大數(shù)據(jù)學(xué)習(xí)交流裙：251956502 ，裙文件有我這幾年整理的大數(shù)據(jù)學(xué)習(xí)手冊，開發(fā)工具，PDF文檔書籍，你可以自行下載。

先扯一下大數(shù)據(jù)的4V特征：

數(shù)據(jù)量大，TB->PB

數(shù)據(jù)類型繁多，結(jié)構(gòu)化、非結(jié)構(gòu)化文本、日志、視頻、圖片、地理位置等;

商業(yè)價值高，但是這種價值需要在海量數(shù)據(jù)之上，通過數(shù)據(jù)分析與機器學(xué)習(xí)更快速的挖掘出來;

處理時效性高，海量數(shù)據(jù)的處理需求不再局限在離線計算當(dāng)中。

現(xiàn)如今，正式為了應(yīng)對大數(shù)據(jù)的這幾個特點，開源的大數(shù)據(jù)框架越來越多，越來越強，先列舉一些常見的：

文件存儲：Hadoop HDFS、Tachyon、KFS

離線計算：Hadoop MapReduce、Spark

流式、實時計算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL數(shù)據(jù)庫：HBase、Redis、MongoDB

資源管理：YARN、Mesos

日志收集：Flume、Scribe、Logstash、Kibana

消息系統(tǒng)：Kafka、StormMQ、ZeroMQ、RabbitMQ

查詢分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式協(xié)調(diào)服務(wù)：Zookeeper

集群管理與監(jiān)控：Ambari、Ganglia、Nagios、Cloudera Manager

數(shù)據(jù)挖掘、機器學(xué)習(xí)：Mahout、Spark MLLib

數(shù)據(jù)同步：Sqoop

任務(wù)調(diào)度：Oozie

眼花了吧，上面的有30多種吧，別說精通了，全部都會使用的，估計也沒幾個。就我個人而言，主要經(jīng)驗是在第二個方向(開發(fā)/設(shè)計/架構(gòu))，且聽聽我的建議吧。

第一章：初識Hadoop

1.1 學(xué)會百度與Google

不論遇到什么問題，先試試搜索并自己解決。Google首選，翻不過去的，就用百度吧。

1.2 參考資料首選官方文檔

特別是對于入門來說，官方文檔永遠是首選文檔。相信搞這塊的大多是文化人，英文湊合就行，實在看不下去的，請參考第一步。

1.3 先讓Hadoop跑起來

Hadoop可以算是大數(shù)據(jù)存儲和計算的開山鼻祖，現(xiàn)在大多開源的大數(shù)據(jù)框架都依賴Hadoop或者與它能很好的兼容。

關(guān)于Hadoop,你至少需要搞清楚以下是什么：

Hadoop 1.0、Hadoop 2.0

MapReduce、HDFS

NameNode、DataNode

JobTracker、TaskTracker

Yarn、ResourceManager、NodeManager

自己搭建Hadoop，請使用第一步和第二步，能讓它跑起來就行。建議先使用安裝包命令行安裝，不要使用管理工具安裝。另外：Hadoop1.0知道它就行了，現(xiàn)在都用Hadoop 2.0.

1.4 試試使用Hadoop

HDFS目錄操作命令;上傳、下載文件命令;提交運行MapReduce示例程序;打開Hadoop WEB界面，查看Job運行狀態(tài)，查看Job運行日志。知道Hadoop的系統(tǒng)日志在哪里。

1.5 你該了解它們的原理了

MapReduce：如何分而治之;HDFS：數(shù)據(jù)到底在哪里，什么是副本;

Yarn到底是什么，它能干什么;NameNode到底在干些什么;Resource Manager到底在干些什么;

1.6 自己寫一個MapReduce程序

請仿照WordCount例子，自己寫一個(照抄也行)WordCount程序，

打包并提交到Hadoop運行。你不會Java?Shell、Python都可以，有個東西叫Hadoop Streaming。如果你認(rèn)真完成了以上幾步，恭喜你，你的一只腳已經(jīng)進來了。

第二章：更高效的WordCount

2.1 學(xué)點SQL吧

你知道數(shù)據(jù)庫嗎?你會寫SQL嗎?如果不會，請學(xué)點SQL吧。

2.2 SQL版WordCount

在1.6中，你寫(或者抄)的WordCount一共有幾行代碼?給你看看我的:

SELECT word,COUNT(1) FROM wordcount GROUP BY word;

這便是SQL的魅力，編程需要幾十行，甚至上百行代碼，我這一句就搞定;使用SQL處理分析Hadoop上的數(shù)據(jù)，方便、高效、易上手、更是趨勢。不論是離線計算還是實時計算，越來越多的大數(shù)據(jù)處理框架都在積極提供SQL接口。

2.3 SQL On Hadoop之Hive

什么是Hive?官方給的解釋如下：The Apache Hive data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.

為什么說Hive是數(shù)據(jù)倉庫工具，而不是數(shù)據(jù)庫工具呢?有的朋友可能不知道數(shù)據(jù)倉庫，數(shù)據(jù)倉庫是邏輯上的概念，底層使用的是數(shù)據(jù)庫，數(shù)據(jù)倉庫中的數(shù)據(jù)有這兩個特點：最全的歷史數(shù)據(jù)(海量)、相對穩(wěn)定的;所謂相對穩(wěn)定，指的是數(shù)據(jù)倉庫不同于業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫，數(shù)據(jù)經(jīng)常會被更新，數(shù)據(jù)一旦進入數(shù)據(jù)倉庫，很少會被更新和刪除，只會被大量查詢。而Hive，也是具備這兩個特點，因此，Hive適合做海量數(shù)據(jù)的數(shù)據(jù)倉庫工具，而不是數(shù)據(jù)庫工具。

2.4 安裝配置Hive

請參考1.1 和 1.2 完成Hive的安裝配置?？梢哉＿M入Hive命令行。

2.5 試試使用Hive

請參考1.1 和 1.2 ，在Hive中創(chuàng)建wordcount表，并運行2.2中的SQL語句。

在Hadoop WEB界面中找到剛才運行的SQL任務(wù)?？碨QL查詢結(jié)果是否和1.4中MapReduce中的結(jié)果一致。

2.6 Hive是怎么工作的

明明寫的是SQL，為什么Hadoop WEB界面中看到的是MapReduce任務(wù)?

2.7 學(xué)會Hive的基本命令

創(chuàng)建、刪除表;加載數(shù)據(jù)到表;下載Hive表的數(shù)據(jù);請參考1.2，學(xué)習(xí)更多關(guān)于Hive的語法和命令。

如果你已經(jīng)按照《寫給大數(shù)據(jù)開發(fā)初學(xué)者的話》中第一章和第二章的流程認(rèn)真完整的走了一遍，那么你應(yīng)該已經(jīng)具備以下技能和知識點：

MapReduce的原理(還是那個經(jīng)典的題目，一個10G大小的文件，給定1G大小的內(nèi)存，如何使用Java程序統(tǒng)計出現(xiàn)次數(shù)最多的10個單詞及次數(shù));

HDFS讀寫數(shù)據(jù)的流程;向HDFS中PUT數(shù)據(jù);從HDFS中下載數(shù)據(jù);

自己會寫簡單的MapReduce程序，運行出現(xiàn)問題，知道在哪里查看日志;

會寫簡單的SELECT、WHERE、GROUP BY等SQL語句;

Hive SQL轉(zhuǎn)換成MapReduce的大致流程;

Hive中常見的語句：創(chuàng)建表、刪除表、往表中加載數(shù)據(jù)、分區(qū)、將表中數(shù)據(jù)下載到本地;

從上面的學(xué)習(xí)，你已經(jīng)了解到，HDFS是Hadoop提供的分布式存儲框架，它可以用來存儲海量數(shù)據(jù)，MapReduce是Hadoop提供的分布式計算框架，它可以用來統(tǒng)計和分析HDFS上的海量數(shù)據(jù)，而Hive則是SQL On Hadoop，Hive提供了SQL接口，開發(fā)人員只需要編寫簡單易上手的SQL語句，Hive負(fù)責(zé)把SQL翻譯成MapReduce，提交運行。

此時，你的”大數(shù)據(jù)平臺”是這樣的：那么問題來了，海量數(shù)據(jù)如何到HDFS上呢?

第三章：把別處的數(shù)據(jù)搞到Hadoop上

此處也可以叫做數(shù)據(jù)采集，把各個數(shù)據(jù)源的數(shù)據(jù)采集到Hadoop上。

3.1 HDFS PUT命令

這個在前面你應(yīng)該已經(jīng)使用過了。put命令在實際環(huán)境中也比較常用，通常配合shell、python等腳本語言來使用。建議熟練掌握。

3.2 HDFS API

HDFS提供了寫數(shù)據(jù)的API，自己用編程語言將數(shù)據(jù)寫入HDFS，put命令本身也是使用API。

實際環(huán)境中一般自己較少編寫程序使用API來寫數(shù)據(jù)到HDFS，通常都是使用其他框架封裝好的方法。比如：Hive中的INSERT語句，Spark中的saveAsTextfile等。建議了解原理，會寫Demo。

3.3 Sqoop

Sqoop是一個主要用于Hadoop/Hive與傳統(tǒng)關(guān)系型數(shù)據(jù)庫，Oracle、MySQL、SQLServer等之間進行數(shù)據(jù)交換的開源框架。就像Hive把SQL翻譯成MapReduce一樣，Sqoop把你指定的參數(shù)翻譯成MapReduce，提交到Hadoop運行，完成Hadoop與其他數(shù)據(jù)庫之間的數(shù)據(jù)交換。

自己下載和配置Sqoop(建議先使用Sqoop1，Sqoop2比較復(fù)雜)。了解Sqoop常用的配置參數(shù)和方法。

使用Sqoop完成從MySQL同步數(shù)據(jù)到HDFS;使用Sqoop完成從MySQL同步數(shù)據(jù)到Hive表;如果后續(xù)選型確定使用Sqoop作為數(shù)據(jù)交換工具，那么建議熟練掌握，否則，了解和會用Demo即可。

3.4 Flume

Flume是一個分布式的海量日志采集和傳輸框架，因為“采集和傳輸框架”，所以它并不適合關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)采集和傳輸。Flume可以實時的從網(wǎng)絡(luò)協(xié)議、消息系統(tǒng)、文件系統(tǒng)采集日志，并傳輸?shù)紿DFS上。

因此，如果你的業(yè)務(wù)有這些數(shù)據(jù)源的數(shù)據(jù)，并且需要實時的采集，那么就應(yīng)該考慮使用Flume。

下載和配置Flume。使用Flume監(jiān)控一個不斷追加數(shù)據(jù)的文件，并將數(shù)據(jù)傳輸?shù)紿DFS;Flume的配置和使用較為復(fù)雜，如果你沒有足夠的興趣和耐心，可以先跳過Flume。

3.5 阿里開源的DataX

之所以介紹這個，是因為我們公司目前使用的Hadoop與關(guān)系型數(shù)據(jù)庫數(shù)據(jù)交換的工具，就是之前基于DataX開發(fā)的，非常好用。

可以參考我的博文《異構(gòu)數(shù)據(jù)源海量數(shù)據(jù)交換工具-Taobao DataX 下載和使用》。現(xiàn)在DataX已經(jīng)是3.0版本，支持很多數(shù)據(jù)源。你也可以在其之上做二次開發(fā)。有興趣的可以研究和使用一下，對比一下它與Sqoop。

第四章：把Hadoop上的數(shù)據(jù)搞到別處去

Hive和MapReduce進行分析了。那么接下來的問題是，分析完的結(jié)果如何從Hadoop上同步到其他系統(tǒng)和應(yīng)用中去呢?其實，此處的方法和第三章基本一致的。

4.1 HDFS GET命令

把HDFS上的文件GET到本地。需要熟練掌握。

4.2 HDFS API

同3.2.

4.3 Sqoop

同3.3.使用Sqoop完成將HDFS上的文件同步到MySQL;使用Sqoop完成將Hive表中的數(shù)據(jù)同步到MySQL。

4.4 DataX

同3.5. 如果你認(rèn)真完成了上面的學(xué)習(xí)和實踐，此時，你的”大數(shù)據(jù)平臺”應(yīng)該是這樣的：

如果你已經(jīng)按照《寫給大數(shù)據(jù)開發(fā)初學(xué)者的話2》中第三章和第四章的流程認(rèn)真完整的走了一遍，那么你應(yīng)該已經(jīng)具備以下技能和知識點：

知道如何把已有的數(shù)據(jù)采集到HDFS上，包括離線采集和實時采集;你已經(jīng)知道sqoop(或者還有DataX)是HDFS和其他數(shù)據(jù)源之間的數(shù)據(jù)交換工具;你已經(jīng)知道flume可以用作實時的日志采集。

從前面的學(xué)習(xí)，對于大數(shù)據(jù)平臺，你已經(jīng)掌握的不少的知識和技能，搭建Hadoop集群，把數(shù)據(jù)采集到Hadoop上，使用Hive和MapReduce來分析數(shù)據(jù)，把分析結(jié)果同步到其他數(shù)據(jù)源。

接下來的問題來了，Hive使用的越來越多，你會發(fā)現(xiàn)很多不爽的地方，特別是速度慢，大多情況下，明明我的數(shù)據(jù)量很小，它都要申請資源，啟動MapReduce來執(zhí)行。

第五章：快一點吧，我的SQL

其實大家都已經(jīng)發(fā)現(xiàn)Hive后臺使用MapReduce作為執(zhí)行引擎，實在是有點慢。因此SQL On Hadoop的框架越來越多，按我的了解，最常用的按照流行度依次為SparkSQL、Impala和Presto.這三種框架基于半內(nèi)存或者全內(nèi)存，提供了SQL接口來快速查詢分析Hadoop上的數(shù)據(jù)。關(guān)于三者的比較，請參考1.1.

我們目前使用的是SparkSQL，至于為什么用SparkSQL，原因大概有以下吧：使用Spark還做了其他事情，不想引入過多的框架;Impala對內(nèi)存的需求太大，沒有過多資源部署。

5.1 關(guān)于Spark和SparkSQL

什么是Spark，什么是SparkSQL。

Spark有的核心概念及名詞解釋。

SparkSQL和Spark是什么關(guān)系，SparkSQL和Hive是什么關(guān)系。

SparkSQL為什么比Hive跑的快。

5.2 如何部署和運行SparkSQL

Spark有哪些部署模式?

如何在Yarn上運行SparkSQL?

使用SparkSQL查詢Hive中的表。Spark不是一門短時間內(nèi)就能掌握的技術(shù)，因此建議在了解了Spark之后，可以先從SparkSQL入手，循序漸進。

關(guān)于Spark和SparkSQL，如果你認(rèn)真完成了上面的學(xué)習(xí)和實踐，此時，你的”大數(shù)據(jù)平臺”應(yīng)該是這樣的。

第六章：一夫多妻制

請不要被這個名字所誘惑。其實我想說的是數(shù)據(jù)的一次采集、多次消費。

在實際業(yè)務(wù)場景下，特別是對于一些監(jiān)控日志，想即時的從日志中了解一些指標(biāo)(關(guān)于實時計算，后面章節(jié)會有介紹)，這時候，從HDFS上分析就太慢了，盡管是通過Flume采集的，但Flume也不能間隔很短就往HDFS上滾動文件，這樣會導(dǎo)致小文件特別多。

為了滿足數(shù)據(jù)的一次采集、多次消費的需求，這里要說的便是Kafka。

6.1 關(guān)于Kafka

什么是Kafka?Kafka的核心概念及名詞解釋。

6.2 如何部署和使用Kafka

使用單機部署Kafka，并成功運行自帶的生產(chǎn)者和消費者例子。使用Java程序自己編寫并運行生產(chǎn)者和消費者程序。Flume和Kafka的集成，使用Flume監(jiān)控日志，并將日志數(shù)據(jù)實時發(fā)送至Kafka。

如果你認(rèn)真完成了上面的學(xué)習(xí)和實踐，此時，你的”大數(shù)據(jù)平臺”應(yīng)該是這樣的。

這時，使用Flume采集的數(shù)據(jù)，不是直接到HDFS上，而是先到Kafka，Kafka中的數(shù)據(jù)可以由多個消費者同時消費，其中一個消費者，就是將數(shù)據(jù)同步到HDFS。

如果你已經(jīng)按照《寫給大數(shù)據(jù)開發(fā)初學(xué)者的話3》中第五章和第六章的流程認(rèn)真完整的走了一遍，那么你應(yīng)該已經(jīng)具備以下技能和知識點：

為什么Spark比MapReduce快。

使用SparkSQL代替Hive，更快的運行SQL。

使用Kafka完成數(shù)據(jù)的一次收集，多次消費架構(gòu)。

自己可以寫程序完成Kafka的生產(chǎn)者和消費者。

從前面的學(xué)習(xí)，你已經(jīng)掌握了大數(shù)據(jù)平臺中的數(shù)據(jù)采集、數(shù)據(jù)存儲和計算、數(shù)據(jù)交換等大部分技能，而這其中的每一步，都需要一個任務(wù)(程序)來完成，各個任務(wù)之間又存在一定的依賴性，比如，必須等數(shù)據(jù)采集任務(wù)成功完成后，數(shù)據(jù)計算任務(wù)才能開始運行。如果一個任務(wù)執(zhí)行失敗，需要給開發(fā)運維人員發(fā)送告警，同時需要提供完整的日志來方便查錯。

第七章：越來越多的分析任務(wù)

不僅僅是分析任務(wù)，數(shù)據(jù)采集、數(shù)據(jù)交換同樣是一個個的任務(wù)。這些任務(wù)中，有的是定時觸發(fā)，有點則需要依賴其他任務(wù)來觸發(fā)。當(dāng)平臺中有幾百上千個任務(wù)需要維護和運行時候，僅僅靠crontab遠遠不夠了，這時便需要一個調(diào)度監(jiān)控系統(tǒng)來完成這件事。調(diào)度監(jiān)控系統(tǒng)是整個數(shù)據(jù)平臺的中樞系統(tǒng)，類似于AppMaster，負(fù)責(zé)分配和監(jiān)控任務(wù)。

7.1 Apache Oozie

Oozie是什么?有哪些功能?

Oozie可以調(diào)度哪些類型的任務(wù)(程序)?

Oozie可以支持哪些任務(wù)觸發(fā)方式?

安裝配置Oozie。

7.2 其他開源的任務(wù)調(diào)度系統(tǒng)

Azkaban，light-task-scheduler，Zeus，等等。另外，我這邊是之前單獨開發(fā)的任務(wù)調(diào)度與監(jiān)控系統(tǒng)，具體請參考《大數(shù)據(jù)平臺任務(wù)調(diào)度與監(jiān)控系統(tǒng)》。如果你認(rèn)真完成了上面的學(xué)習(xí)和實踐，此時，你的”大數(shù)據(jù)平臺”應(yīng)該是這樣的：

第八章：我的數(shù)據(jù)要實時

在第六章介紹Kafka的時候提到了一些需要實時指標(biāo)的業(yè)務(wù)場景，實時基本可以分為絕對實時和準(zhǔn)實時，絕對實時的延遲要求一般在毫秒級，準(zhǔn)實時的延遲要求一般在秒、分鐘級。對于需要絕對實時的業(yè)務(wù)場景，用的比較多的是Storm，對于其他準(zhǔn)實時的業(yè)務(wù)場景，可以是Storm，也可以是Spark Streaming。當(dāng)然，如果可以的話，也可以自己寫程序來做。

8.1 Storm

什么是Storm?有哪些可能的應(yīng)用場景?

Storm由哪些核心組件構(gòu)成，各自擔(dān)任什么角色?

Storm的簡單安裝和部署。

自己編寫Demo程序，使用Storm完成實時數(shù)據(jù)流計算。

8.2 Spark Streaming

什么是Spark Streaming，它和Spark是什么關(guān)系?

Spark Streaming和Storm比較，各有什么優(yōu)缺點?

使用Kafka + Spark Streaming，完成實時計算的Demo程序。

至此，你的大數(shù)據(jù)平臺底層架構(gòu)已經(jīng)成型了，其中包括了數(shù)據(jù)采集、數(shù)據(jù)存儲與計算(離線和實時)、數(shù)據(jù)同步、任務(wù)調(diào)度與監(jiān)控這幾大模塊。接下來是時候考慮如何更好的對外提供數(shù)據(jù)了。

第九章：我的數(shù)據(jù)要對外

通常對外(業(yè)務(wù))提供數(shù)據(jù)訪問，大體上包含以下方面。

離線：比如，每天將前一天的數(shù)據(jù)提供到指定的數(shù)據(jù)源(DB、FILE、FTP)等;離線數(shù)據(jù)的提供可以采用Sqoop、DataX等離線數(shù)據(jù)交換工具。

實時：比如，在線網(wǎng)站的推薦系統(tǒng)，需要實時從數(shù)據(jù)平臺中獲取給用戶的推薦數(shù)據(jù)，這種要求延時非常低(50毫秒以內(nèi))。根據(jù)延時要求和實時數(shù)據(jù)的查詢需要，可能的方案有：HBase、Redis、MongoDB、ElasticSearch等。

OLAP分析：OLAP除了要求底層的數(shù)據(jù)模型比較規(guī)范，另外，對查詢的響應(yīng)速度要求也越來越高，可能的方案有：Impala、Presto、SparkSQL、Kylin。如果你的數(shù)據(jù)模型比較規(guī)模，那么Kylin是最好的選擇。

即席查詢：即席查詢的數(shù)據(jù)比較隨意，一般很難建立通用的數(shù)據(jù)模型，因此可能的方案有：Impala、Presto、SparkSQL。

這么多比較成熟的框架和方案，需要結(jié)合自己的業(yè)務(wù)需求及數(shù)據(jù)平臺技術(shù)架構(gòu)，選擇合適的。原則只有一個：越簡單越穩(wěn)定的，就是最好的。

如果你已經(jīng)掌握了如何很好的對外(業(yè)務(wù))提供數(shù)據(jù)，那么你的“大數(shù)據(jù)平臺”應(yīng)該是這樣的：

第十章：牛逼高大上的機器學(xué)習(xí)

關(guān)于這塊，我這個門外漢也只能是簡單介紹一下了。數(shù)學(xué)專業(yè)畢業(yè)的我非常慚愧，很后悔當(dāng)時沒有好好學(xué)數(shù)學(xué)。在我們的業(yè)務(wù)中，遇到的能用機器學(xué)習(xí)解決的問題大概這么三類：

分類問題：包括二分類和多分類，二分類就是解決了預(yù)測的問題，就像預(yù)測一封郵件是否垃圾郵件;多分類解決的是文本的分類;

聚類問題：從用戶搜索過的關(guān)鍵詞，對用戶進行大概的歸類。

推薦問題：根據(jù)用戶的歷史瀏覽和點擊行為進行相關(guān)推薦。

大多數(shù)行業(yè)，使用機器學(xué)習(xí)解決的，也就是這幾類問題。入門學(xué)習(xí)線路，數(shù)學(xué)基礎(chǔ);機器學(xué)習(xí)實戰(zhàn)，懂Python最好;SparkMlLib提供了一些封裝好的算法，以及特征處理、特征選擇的方法。

機器學(xué)習(xí)確實牛逼高大上，也是我學(xué)習(xí)的目標(biāo)。那么，可以把機器學(xué)習(xí)部分也加進你的“大數(shù)據(jù)平臺”了。