关于大数据与机器学习，小白和牛人之间15个典型问答精髓整理下篇

问：公司数据分析人员如何转入大数据？

答：先学一门容易入门的言语 R 或者pyhton，掌握基础后再运用它们处理数据、分析数据，我觉得这种对你切入比较容易。

问：我从事两年JavaWeb最近想转大数据这块，请问有什么直观的入门指引呢？

答：入门指引的话，不妨关注一下《大数据实战手册》这外面对大数据和Hadoop生态圈做了比较详细的引见，用来入门很不错。 我个人以为，在大数据这个范畴还是要跟个人结合，扬长避短，对于是详细做可视化，工程运用，还是分析，这个还是要看个人能否擅长和喜欢。

问：我目前次要是做一些数据统计的工作，想要往引荐系统方向发展，这块儿我该怎样学习呢？

答：引荐系统如今用的比较多的是SVM算法或协同过滤等。 这个内容在我看来其实还是贝叶斯信心网络的延伸或变种，可以看一些关于引荐系统方面的专著。

问：业界采用的大数据处理方案有哪些？

答：如今的框架相对比较成熟的有hadoop，这是做离线处理的； spark可以做离线处理和准实时处理； storm，这是做实时处理的； mahout，spark mllib，离线机器学习； scikit-learn，离线机器学习； tensorflow，torch深度学习。 除此之外还有很多框架，处理方案也是运用这些工程与其它一些开源产品做组合。

问：个人对大数据没有太多的了解，客观地以为如今的大数据都基本是以Hadoop为核心，综合其他技术，如HBase, Hive等，根据行业实践建立相应的分析模型，但不知实施大数据项目时，在不同的行业中有没有标准的技术道路以及标准的架构呢？

我个人以为不要过于纠结这些。大数据的边界怎样划分会长期没有定义，不过有一点是确定的，就是一个人工作的价值。 一个人工作的价值能否可以协助公司或者客户提高效率，消弭不确定性，减小试错成本，找出好的改进方向，这些才是价值所在。 至于某一个工具都是有适用场景的，在不同项目里停止有侧重的选择运用就可以了。

问：个人对大数据的了解就是历史数据产生了很多，然后多表查询时效率很慢，怎样用一些缓存或数据库中间件处理功能的事？

答：假如单纯从你说的这个场景来看，应该属于海量数据存储的研讨范畴。 大部分都是用相似分布式存储、表分区、索引、紧缩存储等手腕停止处理。 这个应该不属于大数据研讨的重点。

问：机器学习有哪些最新的实际知识？假如要完成机器学习，业界能否有成熟的开源方案？

答：最新的实际知识多用google停止相关论文的查询，更新还是比较快的。

机器学习开源方案有不少，我们用的是scikit-learn，是python言语的框架，曾经能处理不少成绩了。

问：在大数据范畴，机器学习首先应该是有足够多的数据来支撑其运算吧，但其实很多理想是数据量并没有到达那个级别，或者数据维度还有许多尚不被我们所认知。所以，有没有一个相对明晰的分界限，哪些状况下就可以运用机器学习，哪些还不足够呢？

答：在神经网络出现之前，对于特征抽取比较准确，解释比较明晰的范畴都是可以运用机器学习的。 在神经网络出现之后，尤其是卷积神经网络出现之后，对于形式辨认方面的加强是令人注目的。很多原来运用随机森林或者SVM都无法处理得很好的形式辨认成绩都有了停顿。 假如一定要划界限的话，我想可以从特征提取的难易程度下去做划分。假如特征很难提取，甚至特征完全不明白，则十有八九在机器学习过程中得不到令人称心的模型解

最后多说一句，小编是一名python开发工程师，这里有我本人整理了一套最新的python系统学习教程，包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习等。想要这些材料的可以关注小编，并在后台私信小编：“01”即可支付。

01

撸过

支持你哈...................................

关注，等大神更新完了再看！楼主加油！