提到大數據可能有些令人生畏。在了解一定基本概念的基礎上，掌握其中一些關鍵術語也是至關重要的。

本文列出了 25 個必須掌握的大數據術語。

算法(Algorithm)

指用于執(zhí)行數據分析的數學公式或統(tǒng)計過程。那么算法與大數據有什么關系呢?雖然算法是一個通用術語，但大數據分析使得這個詞變得更具時代性，更受歡迎。

分析(Analytics)

你的信用卡公司會將附有你全年交易情況的年終報表寄給你。如果具體看在食物，衣服，娛樂等方面花了多少錢呢?那么你就在進行“分析”。你正在從原始數據中獲得一些見解，這可以幫助你決定來年的支出。

如果你對朋友、網絡或者自己的公司發(fā)的推文以及 facebook 帖子進行同樣的操作，那我們現在就涉及的就是大數據分析了。它是通過使用大量數據進行推論并得出結論。共有三種不同類型的分析。

1. 描述性分析(Descriptive Analytics)

如果你告訴我，去年你的信用卡消費中 25% 用于食物，35% 用于服裝，20% 用于娛樂活動，其他的用于雜物，這就是描述性的分析。當然，你也可以進行更詳細的了解。

2. 預測分析(Predictive Analytics)

如果你分析了過去5年的信用卡記錄，發(fā)現當中有一定的一致性，那么你可以較有把握地預測，明年的情況將與過去幾年類似。值得注意的是，這并不是“預測未來”，而是“預測事情發(fā)生的可能性”。在大數據預測分析中，數據科學家會使用數據挖掘，機器學習和高級統(tǒng)計過程等先進技術，進行天氣，經濟等方面的預測。

3.規(guī)范分析(Prescriptive Analytics)

還是用信用卡的例子，你可能會想知道哪些消費目標(例如食品、娛樂、服裝等)會對你的整體消費產生巨大的影響。規(guī)范分析通過包括“行為”(即減少購買食物、衣服或娛樂)和對結果進行分析，從而預測規(guī)范相應目標，從而減少你的總開銷。將此擴展到大數據，你可以想象管理人員如何通過研究各種行為影響，從而做出數據驅動的決策。

批量處理(Batch processing)

盡管從大型計算機時代開始，批量處理就已經出現了。由于處理大型數據集，批量處理對大數據具有額外的意義。批量數據處理是處理一段時間內收集的大量數據的有效方式。稍后我將介紹的 Hadoop 就是專注于批量數據處理。

Cassandra

是由 Apache 軟件基金會管理的一個流行的開源數據庫管理系統(tǒng)。Apache 屬于大數據技術，Cassandra 旨在處理跨分布式服務器的大量數據。

云計算(Cloud computing)

云計算已經變得無所不在，所以在這里僅處于完整性的考慮將其歸納在內。它本質上是在遠程服務器上托管和運行的軟件及數據，并可從互聯網的任何地方進行訪問。

集群計算(Cluster computing)

這是一個使用多個服務器集合資源的“集群”的計算術語。要想更技術性的話，就會涉及到節(jié)點，集群管理層，負載平衡和并行處理等概念。

暗數據(Dark Data)

基本上指的是，由企業(yè)收集和處理的，但并不用于任何意義性目的的數據，因此它是“暗”的，可能永遠不會被分析。它可以是社交網絡反饋，呼叫中心日志，會議筆記等等。有很多人估計，所有企業(yè)數據中的 60-90% 可能是“暗數據”，但誰又真正知道呢?

數據湖(Data lake)

當第一次聽到這個概念，我還以為是在開玩笑。但這真是一個術語。數據湖是原始格式的企業(yè)級數據的大型存儲庫。與此同時我們可以涉及數據倉庫，它在概念上是相似的，也是企業(yè)級數據的存儲庫，但在清理、與其他來源集成之后是以結構化格式。數據倉庫通常用于常規(guī)數據(但不是專有的)。數據湖使得訪問企業(yè)級數據更加容易，你需要明確你要尋找什么，以及如何處理它并明智地試用它。

數據挖掘(Data mining)

數據挖掘是通過使用復雜的模式識別技術，從而找到有意義的模式，并得出大量數據的見解。這與我們之前討論的“數據分析”術語密切相關，因為你將通過挖掘數據進行分析。為了獲得有意義的模式，數據挖掘者使用統(tǒng)計，機器學習算法和人工智能。

數據科學家(Data Scientist)

一個熱門的職業(yè)。指的是通過提取原始數據，對其進行處理，并提出自己的見解的人。數據科學家需要具備超人般的技能：分析，統(tǒng)計，計算機科學，創(chuàng)造力，故事講述和理解環(huán)境的能力。難怪他們薪水這么高。

分布式文件系統(tǒng)(Distributed File System)

由于大數據太大而無法存儲在單個系統(tǒng)上，分布式文件系統(tǒng)是一種數據存儲系統(tǒng)用于存儲跨多個存儲設備的大量數據，并有助于降低存儲大量數據的成本和復雜性。

ETL

ETL 指的是提取，轉換和加載。具體指的是“提取”原始數據的過程，通過清理、豐富數據將其“轉換”成適合使用的，并“加載”到適當的存儲庫中以供系統(tǒng)使用。雖然它源于數據倉庫，但ETL過程也被用來從大數據系統(tǒng)的外部資源中獲取和吸收數據。

Hadoop

當想到大數據時，人們立即會想到 Hadoop 。Hadoop(具有可愛的大象標志)是一個開源軟件框架，由所謂的 Hadoop 分布式文件系統(tǒng)(HDFS)組成，并允許使用分布式硬件對非常大的數據集進行存儲，檢索和分析。如果你真的想給別人留下深刻的印象，還可以談談 YARN，顧名思義，這是一種資源調度程序。取名字的人真太有才了。Apache 基金會還推出了 Hadoop，Pig，Hive 以及 Spark(是的，這些都是各種軟件的名稱)。真是服了這些名字。

內存計算(In-memory computing)

一般來說，任何可以在不訪問 I / O 的情況下完成的計算都是很快的。內存計算是一種將工作數據集完全放在集群的集體內存中，避免將中間計算寫入磁盤的技術。Apache Spark 是一個內存計算系統(tǒng)，它在速度超過 I / O 綁定系統(tǒng)(如 Hadoop 的MapReduce)方面擁有巨大的優(yōu)勢。

物聯網(IoT)

最新的流行語是物聯網(IOT)。IOT 通過互聯網將嵌入式對象(傳感器，可穿戴設備，汽車，冰箱等)中的計算設備進行互連，并且能夠發(fā)送以及接收數據。IOT 生成大量數據，提供了大量大數據分析的機會。

機器學習(Machine learning)

機器學習是指通過提供的數據，使系統(tǒng)能夠學習，調整和改進。通過預測和統(tǒng)計算法，他們不斷學習“正確”的行為和洞察力，隨著更多的數據流通過該系統(tǒng)，得以不斷地改進。

MapReduce

MapReduce 可能會有點難懂。MapReduce 是一個編程模型，為了更好的理解，需注意 Map 和 Reduce 其實是兩個獨立的部分。在這種情況下，編程模型首先將大數據數據集分解成多個部分(在技術術語中稱為“元組”)，因此可以分布在不同位置的不同計算機上(即前面所述的集群計算)，這基本上就是 Map 部分。然后，該模型收集結果并將其“減少”為一個報告。MapReduce 的數據處理模式與Hadoop 的分布式文件系統(tǒng)緊密相關。

NoSQL

聽起來像是 SQL (結構化查詢語言)的反面，SQL 是傳統(tǒng)關系數據庫管理系統(tǒng)(RDBMS)的主要內容。但 NOSQL 實際上意味著不僅僅是 SQL (Not ONLY SQL)。NoSQL 實際上是指的是用于處理大量數據的數據庫管理系統(tǒng)，它們不具有結構，或被稱為“架構”(類似關系數據庫)。NoSQL 數據庫通常適合大型數據系統(tǒng)，因為它們具有大型非結構化數據庫所需的靈活性和分布式的優(yōu)先體系結構。

R

R 是一種編程語言，在統(tǒng)計計算方面很出色。如果你不知道 R，你就稱不上是數據科學家。R 是數據科學中最受歡迎的語言之一。

Spark(Apache Spark)

Apache Spark 是一種快速的內存數據處理引擎，用于高效執(zhí)行流，機器學習或需要快速迭代訪問數據集的 SQL 工作負載。Spark 通常比我們前面提及的 MapReduce 快很多。

流處理(Stream processing)

流處理旨在對有“連續(xù)”要求的實時和流數據進行處理。結合流分析，即在流內不間斷地計算數學或統(tǒng)計分析的能力。流處理解決方案旨在對高流量進行實時處理。

結構化 v 非結構化數據(Structured v Unstructured Data)

這是大數據中的“V”之一，即多樣性。結構化數據基本上指任何可以放在關系數據庫中，并以該方式組織起來，通過表與其他數據相關。非結構化數據則反之，如無法發(fā)電子郵件，發(fā)社交媒體帖子和錄制的人類語音等。