目录
大数据已经彻底改变了我们的生活方式，我们来聊一聊生活中的大数据。首先，大数据在媒体和乐行业快速兴起，它预测观众的兴趣，并从他们的行为中获取见解，以 Netftix 电视收视率第一的 《纸牌屋》为例，这部剧从诞生之初就是一部大数据，及互联网观众喜好来设计的作品，Netftix 会跟踪观众的搜索、评分、浏览习惯等，并据此确定电视剧的方向。教育行业同样存在大量学生、教师、课程相关的数据，依据教育大数据定制的学习动态的学习计划，重构课程材料，分析学生的优势、劣势、兴趣等进行行业预测。大数据的兴起，让交通运输变得更加高效和便捷。我们利用大数据进行路线规划，管理拥堵和控制交通，保障交通安全。以滴滴出行为例，滴滴生成并使用大量关于乘客和司机的数据，乘客可以快速了解车辆饱和度、位置、预计到达时间，而司机可以通过乘客叫车频次、区域热力图，规划路线，减少燃料浪费；医疗保健是另一个生产大数据的行业，大数据在医疗最强大的应用就是电子病历的普及、可穿戴设备和传感器，为患者的健康提供实时反馈，华为、Apple 等推出了相关的设备；金融啊行业的数据每秒都在暴涨，研究和分析这戏数据不仅可以对客户需求变化，更能发现各种非法活动，如滥用信用卡、贷款风险等等，全球各地都部署天气传感器和卫星，我们利用这些数据检测天气和环境，如天气预报、自然灾害预测或者天气变暖。当今世界，大数据的浪潮正在席卷全球，大数据不再是象牙塔里的珍品，它已经被大规模的应用于媒体和娱乐、教育、交通、医疗、金融、气候等产业，并实实在在地改变我们的世界。
从文明之初 结绳记事 开始，数据一直伴随着人类社会的发展和变迁，大数据的记录可以追溯到 7000 多年前。美索不达文明引入记录作生物生长和放牧，然而，直到计算机为代表的现代信息技术出现后，人类掌握数据、处理数据的能力才实现了质的跃升，第二次世界大战期间英国人发明了破解纳粹密码的机器，这台机器被称为 Colossus，它以每秒五千字的记录速度工作 Colossus将工作从几周减少到几小时，伴随着互联网和超级计算机的出现，在 1990 年代，数据以指数速度在增长， 1988 年，《纽约时报》将 “大数据“，一词的首次使用归功于 John Mashey,时间来到 21 世纪，2008 年《自然》杂志提出了大数据的概念，大数开始在信息技术行业受到重视，2001 年麦肯锡全球研究院宣布大数据时代已经到来，并发表《大数据下一个创新、竞争和生产率的前沿，此后，各国政府也开始推动大数产业发展，2012年奥巴马政府发布《大数据研究和发展计划》，启动 2 亿元的大数据研发计划，旨在推动大数据基础研究，2015年我国国务院发布《促进大数据发展行动纲要》，提出了未来 5 - 10 年大数据发展的具体目标、任务，2017 年 1 月，《大数据产业发展计划（2018 - 2020年）》正式发布，全面制定了未来五年大数据产业大战计划，为 ”十三五“ 时期大数据产业的持续健康发展确立了目标于路径，2020 年 5 月《关于工业大数据发展的知道意见》发布，推动了工业数据全面采集和工业数据开放共享
大数据，一看似复杂的术语，它到底是什么呢？我们都知道数据会随时被产生，但是这些杂乱无章的数据，没有带来给我们呢任何结果，随着分布式计算和大规模数据处理引擎的出现，我们现在可以分析数据，建立模型，预测结果，我们来了解一段大数据早期实践的故事，
马修莫里是一位年轻的海军教官，在常年的航海中积累了丰富的经验， 1842 年他发现库房存在非常多航海书籍、图表等，他把这些无章可循的日志整理成一张全新的行海地图，绘制了 120 万数据点，一直沿用至今，莫里中校把脏乱的航海日志变成有用的数据，从这个意义上讲，莫里就是大数据的先驱，经过多年发展的大数据，业界没有统一的定义，但是一些一致的观点，比如 IBM 总结出大数据的五大特征即 5V 获取得社会普遍得认可，我们以我国 2015 年发布得促进大数据发展行动为纲要为准，将大数据定义为：大数据以容量大、类型多、存取速度快、价值密度低为主要特征得数据集合，我们人人都是用智能手机，但你有没有想过它产生多少数据呢？电话、照片、视频、语音、音乐、搜索、电子邮件、文字输入、数字等等，现在让我们来看看，在智能手机普及得今天，什么是大数据得 5V 特征？
大数据的 5V 特征获得业界的普遍认同， 5V 是指：大量/高速/多样价值密度低/真实。我们首先通过历年双十一活动的例子来理解 5V ，中国电商自创创双十一购物狂欢节，全民线上购物产生了海量数据，家居/服装/美妆/图书/食品等等，从衣食住行生鲜冷链，云端数据川流不息。2020 年全网交易额 5700 亿，包裹量达 7.12 亿件，双十一支付宝每秒交易达 6100 万次，阿里云自研的数据库实现每秒 8700 万次的数据计算，而这都归因于大数据的速度。我们在双11买买买的时候会发现，网络购物不仅会遇到结构化数据，例如：文本/数字等，也会有海量的非结构化数据，例如：图片、视频、网站、地理位置等。双十一的数据帮助消费者在大数据推荐下没购买到心仪的产品。帮助产业精确客户需求，实现市场预测，双十一数据呈现了真实的购买及消费偏好。这些数据将是消费行业产业链收益。看完双十一购物案例后，我们来回顾一下大数据的 5V 特征。首先是大量，截至目前，人类生产的所有的印刷材料是 200 PB，而历史上全人类说过的话数据量大约是 5EB。当前，典型个人计算机硬盘的容量为 TB 量级，而一些大企业的数据量已经接近 EB 量级。其次是高速。这是大数据区别于传统数据挖掘的最显著的特征。在如此海量的数据面前，处理数据的效率就是企业的生命。第三是多样性。数据的多样性分为结构化数据、半结构化数据和非结构化数据。相对于文本、数字、符号为主的结构化和文档等半结构化数据，非结构化数据化数据越来越多，包括网络日志、音频、视频、图片摄像头数据、地理位置、可穿越这杯数据等。第四是价值密度低。价值密度的高低于数据总量的大小成反比。如何快速对有价值的数据“提纯”成为目前大数据待解决得难题。第五是真实，真实是指数据得质量和保真性，可以说假数据或不可靠的数据比没有更糟糕。 5V 特征是大数据据具备更大得潜力迎接挑战。
分类对于任何学科得研究都是必不可少的，因此，大数据被广泛的划分为三类。结构化数据、非结构化数据、半结构化数据，我们来逐一了解。
我们来观察一下这个魔方，它有什么特征呢？
结构统一，格式统一，我们通常把这个魔方呈现的数据叫做结构化数据。
结构化数据是指：任何以固定格式存储、访问和处理的数据都称为结构化数据。我们来看，这张表格典型的结构化数据。
从这张复杂的网状图里，我们可以看到多种数据形式，视频、语音、文字等等，而这些数据就是非结构化数据。
非结构化数据是指：字段长度可变，每个字段的记录由可以重复或不可重复的子字段构成数据库。我们来看，这张搜索大数据的页面就是典型的非结构化数据。
这是一部电影的构思图，我们看到故事和角色信息混杂在一起，那它是什么类型的数据？
电影的构思图属于半结构化数据，所以半结构化数据是指：介于结构化数据和非结构化数据之间的数据。我们来看，这个 XML 文档就是典型的半结构化数据。
通过这张图，我们可以清晰的看出结构化数据、半结构化数据、非结构化数据的特征。这就是大数据的分类，童鞋们，掌握了吗？
大数据处理的是各种各样的数据：数字、文字、图像、声音、视频等等。海量的数据挖掘背后后的信息，做出预测，指导决策和行动。这涉及到一些算法模型的应用。今天我们学习大数据技术涉及的算法。数据挖掘一般应用分类、聚类、回归、时间序列、文本挖掘等方法。
分类
分类就是根据所给数据的不同的特点，判断属于哪个类别，如把电子正常邮件和邮件垃圾。几种常见的分类算法朴素贝叶斯、决策树、支持向量机。如看到一个黑皮肤的外国人，猜测他来自哪里，十有八九是从非洲来的，虽然黑皮肤的外国人也有可能是美洲人或者是亚洲人，但是没有其他信息帮助的判断的情况下，我们会选择可能出现的概率是最高的类别，这个过程应用到的其实就是朴素贝叶斯算法；决策树主要用于用户规分、行为预测、规则梳理等方面，有很多企业对员工的离职预测，通过决策树找出在离职员工，支持向量机可应用于人来能识别，判断相机中的物体是否是人脸。聚类，生活中我们经常讲到“物以类聚，人以群分”，常见的聚类算法：K-means；K-means 的应用领域非常多，人力资源针对不同类别的员工采取不同的人才规划，网络购物时，商家应用 K-means 算法对会员根据不同特征收入、地域、职业、等进行聚类，依聚类、依据聚类结果，对不同会员进行精准的商品推送；回归，生物统计学家高尔顿在研究父母身高和子女身高时发现：“即使父母身高都极高，子女不见得比父母高，而是有“衰退”至平均身高的倾向，这就是回归，从已有的数据结果中获取规律，对其他数据进行预测，回归算法中一元线性回归，广泛应用于我们的社会生活中，如预测房价，机场预测客流量分布，新浪微博预测用户互动量等等；时间序列，打开天气预报，未来几天关于温度，湿度的预测就是一个时间序列的应用场景，时间序列常常用于经济预测等，还可以在百度搜索引擎里查找大数据相关搜索热度，随着时间变化，搜索热度呈现出逐步的趋势，常见的实践序列算法：ARIMA，ARIMA用来预测未来值，如在人口普查中人口流动预测；文本挖掘 ，如我们打开百度输入”大数据“进行搜索时，搜索引擎应用文本挖掘理解你的需求，并根据你的需求推荐信息，几种常见的文本挖掘算法：词云、词频、主题分析、感情分析。商家和企业经常会应用词云、词频等算法对顾客进行用户画像，对所需要的候选人进行人才画像，我们在微博、B站等社交媒体上搜索、评论时，也会受到针对你个人的内容推荐，个性化的推荐应用各种文本挖掘分析，当你在豆瓣上吐槽某部电影时，豆瓣可以应用情感分析算法进行电影口碑分析，能够快速解读出某部电影的票房趋势，另外，如美国大选时，调查机构上利用人们在 twitter 上发布对总统候选人看法的信息，应用情感分析算法可以得出比较准确的民意倾向。
数据财务分析师
人力资源数据分析师
营销数据分析师
算法工程师
大数据概念与特点
人力资源数据特点
人力资源数据发展趋势
数据挖掘工具配置模型
五大类别
回归分析
分类分析
聚类分析--人以类聚，物以群分
降维分析
八个模型
线性回归（回归分析）
朴素贝叶斯（分类分析）
决策树（分类分析）
K - Means（聚类分析）
k - Means 算法将一组 N 个样本的特征矩阵 X 划分为 K 个无交集的蔟，直观表现来看是簇是一组一组聚集在一起的数据，在一簇中的数据就认为是同一类。最终的结果，蔟就是聚类的结果表现。
蔟中所有数据均值通常被称为这个蔟的 “质心” （centroids）。在一个二维平面中，一簇数据的质心的横坐标就是这一蔟所有样本数据横坐标的均值，质心的纵坐标就是这一簇所有样本数据的纵坐标的均值。
K - Means 是如何聚类的
| 顺序 | 过程 |
|---|---|
| 1 | 随机抽取 |
| 2 | 开始循环 |
| 将每个样本点分配到他们最近的质心，生成 k 个蔟 | |
| 对于每个蔟，计算所有被分到该蔟的样本点的平均值作为新的质心 | |
| 3 | 当质心的位置不再发生变化，迭代停止，聚类完成。 |
主成分分析（降维）
词云（文本分析）
词频和主题分析（文本分析）