学习大数据必须掌握的技术和应用场景

大家好，欢迎来到IT知识分享网。

大数据技术经过十多年的发展，已经慢慢从当初的三驾马车（HDFS、BigQuery、Mapreduce）演进为了一个完整的生态体系，在这个生态里面由很多不同类型、不同功能、不同开发语言以及应用于不同场景的工具所组成，对于大数据学习入门者来说，看到/听到某一个技术可能会感觉不知所措，本文主要介绍在整个数据全栈开发过程中，每个阶段它所关联应用的技术栈是哪些，既有关于开发工具，也有类似云上托管的服务。

数据开发端到端的全流程示意图：

要成为一名优秀的大数据工程师，从数据采集到数据处理再到数据存储在每个阶段中至少掌握一项技术，这些阶段包括数据源、数据引入、数据处理、数据转换、存储到仓库/databased、在仓库上运行分析查询以及将最终输出存储到数据库 （SQL/NoSQL） 中。在本文中，我们将讨论每个阶段使用的流行工具，以及开源技术与其等效的云托管技术之间的比较。

首先作为大数据研发从编程语言方面需要掌握哪些呢？从日常工作来看，Java编程语言是大数据研发中最常使用到的，但是随着大数据技术逐渐成熟，对于数据应用的场景越来广泛之后，很多大部分基于Python语言的大数据场景扩散开来，比如当下最火热的AI技术，很多都是基于Python来进行各种数据分析，底层可以是基于大数据相关技术，比如：Apache Spark 或者 Flink等等

此外，掌握 SQL 编写至关重要，虽然现在有许多开源工具和和云平台工具，以及，现在AI能力也能够实现编写SQL，但是它依旧是一个基础性的底层能力，不会完全随着AI的发展而被替换。

在获得熟练的编程语言和 SQL 后，我们可以开始优先获得来自各种云供应商的认证，例如助理数据工程师和专业数据工程师认证。您无需注册所有课程。您可以选择根据组织中的当前项目选择任何云供应商。这将使您能够优化双方的利益。

数据摄取 ：数据摄取工具作用

• 从各种来源收集数据。

• 处理批量和流数据、结构化、半结构化、非结构化数据。• 文件系统：数据可以存储在分布式文件系统或云存储中。文件系统支持基本操作，如文件/对象创建、文件复制、文件移动、文件删除、文件重命名等。开源文件系统 HDFS 支持这些操作，

• 流式处理 ：像 Apache Kafka 这样的开源工具可用于实时数据摄取。

数据存储 / 数据仓库 / 数据库 （NoSQL/SQL） ： 数据存储工具

• 为大数据量提供可靠、可扩展、安全的解决方案。

• 对于与存储层无缝集成以实现最佳性能至关重要。

ETL 在数据转换中的作用

• 将数据转换为可以供业务使用的格式。

• 执行数据验证、清理、规范化、聚合、丰富等任务。

数据仓库

• 允许临时分析和自定义报告创建。

• 作为当前和历史数据的中央存储库。

• 提供全面、长期的业务信息视图。

• 根据数据趋势和模式做出明智的决策。

NoSQL数据库

• 被称为“不仅是 SQL”的数据库。

• 非常适合拥有大量数据且无法轻松适应关系模型的组织。

• 灵活的模式包括文档、键值对、宽列、图形。

• 提供动态模式、水平可扩展性和易开发性。

数据处理 （MPP）

所谓MPP：其实就是由多机多任务串型计算到多机多任务并行计算的过程，典型的例如Doris、StarRocks、Spark、Flink等都是MPP类型架构

• 在多台计算机、服务器或节点之间分配工作负载。

• 允许并发数据处理。

• 缩短处理时间并增强系统性能。

具有查询引擎的分布式数据库：

在Hadoop生态中，很少有数据库带有自己的计算处理引擎，一般都是需要Spark、Tez、MR这种计算引擎来作为存储上层的分析能力，而且很多分布式数据库通常不支持OLTP，主要用于执行分析查询（OLAP）的能力。

但是，这些数据库/数据仓库中的大多数的学习曲线几乎为零，因为它们都支持 SQL 接口。我们只需要需求一下所使用到的工具以及架构设计，基本上就可以从事这方面的工作，例如数据仓库、数据分析来说，更多考验的是业务能力，基于业务理解来利用相关方法论和计算实现业务需求。

以下是几个例子：

Apache Druid : 开源，基于SQL，针对大型数据库进行了优化。

Apache Postgres : 开源关系数据库管理系统，强调可扩展性和SQL合规性。

Apache Clickhouse : 基于SQL，支持OLAP技术，生成实时分析报告。

kStream Apps 和 ksql：用于 Apache Kafka 的流式 SQL 引擎。为在 Kafka 中处理数据提供了一个简单且完全交互式的 SQL 接口。

Data Cache 数据缓存

数据缓存层主要用于减少对磁盘的存储层访问从而来增强数据检索/查询的性能，在很多业务场景中优先考虑的是时间&速度而不是容量，但是一般缓存会暂时存储一部分的数据，毕竟内存的存储成本还是比较高的，而且容量上也是有限。

典型的数据缓存技术：Redis、Memcached，在大数据里面也有有很多K/V类型数据库用来当作高效数据检索/查询的数据库，例如HBase、TiDB等等。

Data Catalog : 数据目录：

数据目录充当数据资产的集中式清单，并提供有关这些资产的信息。其目的是使组织能够有效地查找和理解数据。但是，数据目录（Catalog）可以为企业提供一种更有效的方法，利用其数据进行分析和AI数据能力支撑。

Catalog可以为数据资产管理 ：识别数据库、数据湖和系统中的数据资产，组织相关数据的信息，确定相关和适当的数据以供使用。

数据安全和治理工具：

数据安全和治理工具保护存储层的数据和其他层的处理资源。

提供加密、访问控制、网络保护、使用情况监控和审计机制，安全层监控其他层中所有组件的活动，并生成详细的审计跟踪，所有其他层的组件必须与安全和治理层集成。

数据编排

编排工具的优点是：工作流程管理，自动化数据工作流，数据编排往往应用于比较复杂的、具体一些关联关系、程序数量比较多的情况，

一些流行的数据编排工具是：Apache Ozzie、Apache Airflow、Apache DolphinScheduler

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】