大数据

一、什么是大数据

5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）、Veracity（真实性）。

应用：发现隐藏事物、商品相似性推荐、数据可视化、精准营销、指导决策、图像识别、股票预测、音乐推荐、辅助医疗、票房预测、商品营销、兴趣发现、异常检测、智能消费、木马检测、最优化决策、数据分析、重复性检测、电子商务、家庭生活、游戏娱乐、科学研究、政策制定

二、大数据主要任务

1、Fetching 采集/爬虫/抓取

实战案例

任务：1000个查询，整理各大搜索引擎的结果url。循环取得网址，获取内容，存储。

优化及改进1：单线程下载太慢，单线程->多线程

优化及改进2：创建线程开销大，多线程->线程池

优化及改进3：消费者和生产者模型，Producer负责生产数据，Consumer负责使用数据，统一进程，不同线程。

多线程的优点：便于变量和数据共享。利用线程池方便控制。

多进程的优点：稳定和健壮。本例倾向于多进程。

优化和改进4：引入队列。放入与取出url。

队列爆满问题;开源工具Rabbitmq、zeromq、redis

获取内容问题：Httpclient&URLCollection(Java)、urllib2(Python)、socket(C)

抓取受阻问题：代理ip+cookie+友好访问+Selenium

抽取信息问题：正则+Jsoup/Tika+模板

2、Storage 数据存储/分布式系统/数据库

NoSQL means Not Only SQL

MySQL的缺点：

Schema-based 不好水平拆分，不适合互联网环境

Transactions 分布式环境难以实现

Traditional applications 并发能力差（lock）

Disk-based 速度慢

解决方案：

NoSQL： 键值存储系统（redis：hashmap）+无模式文档存储系统（mongodb）

Redis：效率高，读写快，数据结构丰富，支持Java、C++、Python等语言

3、Mining 数据挖掘/机器学习/推荐系统

包含：数据挖掘、机器学习、自然语言处理、推荐系统、社交网络，搜索引擎

社交网络：Weibo、Twitter、Facebook 应用：社团发现、僵尸粉/水军、情感分析/性格判断

例如：判断一个僵尸粉（特征：转发关注广告多、原创粉丝少）

机器学习：预测：分类&回归 特征抽取->标注数据->模型选择->模型训练->得到模型->模型验证

人工智能：基于规则的专家系统（人）+基于数据的机器学习（数据） “有多少人工，就有多少智能”

数据挖掘：目的：发现数据的规律和模式 例如：疾病诊断

自然语言处理：分词

推荐系统：”购买此商品的顾客也购买了“ 依赖于业务和场景，喜好程度

基于用户推荐：相似权重，归一化 基于物品推荐：用户画像，商品描述

并行还是串行设计

接下来问题：稀疏数据、模型拓展、在线学习、可解释性

4、Processing Hadoop/Spark/VW/Mathout

三、需要思考的问题

1、是否真的需要大数据？简单的规则+统计->也许能解决问题

2、是否需要很复杂前沿的算法？更多的数据->也许能见效果

四、如何成为一个数据科学家

1、数学基础

高等数学 线性代数 概率论

2、编程语言基础

首选Python，其他C++、Java、R

3、算法和模型（理论）

机器学习 数据挖掘 推荐系统 自然语言处理

4、开源库（工具）

单机：Scikit Learn

分布式：Spark

5、实践

阿里巴巴大数据竞赛/Kaggle等

本文参考叶邦宇的一个talk总结而来。