Ramesh Dontha 曾在 DataConomy 上連發(fā)兩篇文章，扼要而全面地介紹了關(guān)于大數(shù)據(jù)的 75 個(gè)核心術(shù)語，這不僅是大數(shù)據(jù)初學(xué)者很好的入門資料，對(duì)于高階從業(yè)人員也可以起到查漏補(bǔ)缺的作用。本文為下篇（50 個(gè)術(shù)語）。

下面來對(duì)上篇文章涵蓋的術(shù)語做個(gè)簡(jiǎn)短的回顧：算法，分析，描述性分析，預(yù)處理分析，預(yù)測(cè)分析，批處理，Cassandra（一個(gè)大規(guī)模分布式數(shù)據(jù)存儲(chǔ)系統(tǒng)），云計(jì)算，集群計(jì)算，暗數(shù)據(jù)，數(shù)據(jù)湖，數(shù)據(jù)挖掘，數(shù)據(jù)科學(xué)家，分布式文件系統(tǒng)，ETL，Hadoop（一個(gè)開發(fā)和運(yùn)行處理大規(guī)模數(shù)據(jù)的軟件平臺(tái)），內(nèi)存計(jì)算，物聯(lián)網(wǎng)，機(jī)器學(xué)習(xí)，Mapreduce（hadoop 的核心組件之一），NoSQL（非關(guān)系型的數(shù)據(jù)庫），R，Spark（計(jì)算引擎），流處理，結(jié)構(gòu)化 vs 非結(jié)構(gòu)化數(shù)據(jù)。

我們接下來繼續(xù)了解另外 50 個(gè)大數(shù)據(jù)術(shù)語。

Apache：

軟件基金會(huì)（ASF）提供了許多大數(shù)據(jù)的開源項(xiàng)目，目前有 350 多個(gè)。解釋完這些項(xiàng)目需要耗費(fèi)大量時(shí)間，所以我只挑選解釋了一些流行術(shù)語。Apache Kafka：命名于捷克作家卡夫卡，用于構(gòu)建實(shí)時(shí)數(shù)據(jù)管道和流媒體應(yīng)用。它如此流行的原因在于能夠以容錯(cuò)的方式存儲(chǔ)、管理和處理數(shù)據(jù)流，據(jù)說還非?！缚焖佟埂ｈb于社交網(wǎng)絡(luò)環(huán)境大量涉及數(shù)據(jù)流的處理，卡夫卡目前非常受歡迎。

Apache Mahout：

Mahout 提供了一個(gè)用于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的預(yù)制算法庫，也可用作創(chuàng)建更多算法的環(huán)境。換句話說，機(jī)器學(xué)習(xí)極客的最佳環(huán)境。

Apache Oozie：

在任何編程環(huán)境中，你都需要一些工作流系統(tǒng)通過預(yù)定義的方式和定義的依賴關(guān)系，安排和運(yùn)行工作。Oozie 為 pig、MapReduce 以及 Hive 等語言編寫的大數(shù)據(jù)工作所提供正是這個(gè)。

Apache Drill， Apache Impala， Apache Spark SQL：

這三個(gè)開源項(xiàng)目都提供快速和交互式的 SQL，如與 Apache Hadoop 數(shù)據(jù)的交互。如果你已經(jīng)知道 SQL 并處理以大數(shù)據(jù)格式存儲(chǔ)的數(shù)據(jù)（即 HBase 或 HDFS），這些功能將非常有用。抱歉，這里說的有點(diǎn)奇怪。

Apache Hive：

知道 SQL 嗎？如果知道那你就很好上手 Hive 了。Hive 有助于使用 SQL 讀取、寫入和管理駐留在分布式存儲(chǔ)中的大型數(shù)據(jù)集。

Apache Pig：

Pig 是在大型分布式數(shù)據(jù)集上創(chuàng)建、查詢、執(zhí)行例程的平臺(tái)。所使用的腳本語言叫做 Pig Latin（我絕對(duì)不是瞎說，相信我）。據(jù)說 Pig 很容易理解和學(xué)習(xí)。但是我很懷疑有多少是可以學(xué)習(xí)的？

Apache Sqoop：

一個(gè)用于將數(shù)據(jù)從 Hadoop 轉(zhuǎn)移到非 Hadoop 數(shù)據(jù)存儲(chǔ)（如數(shù)據(jù)倉庫和關(guān)系數(shù)據(jù)庫）的工具。

Apache Storm：

一個(gè)免費(fèi)開源的實(shí)時(shí)分布式計(jì)算系統(tǒng)。它使得使用 Hadoop 進(jìn)行批處理的同時(shí)可以更容易地處理非結(jié)構(gòu)化數(shù)據(jù)。

人工智能（AI）：

為什么 AI 出現(xiàn)在這里？你可能會(huì)問，這不是一個(gè)單獨(dú)的領(lǐng)域嗎？所有這些技術(shù)發(fā)展趨勢(shì)緊密相連，所以我們最好靜下心來繼續(xù)學(xué)習(xí)，對(duì)吧？AI 以軟硬件結(jié)合的方式開發(fā)智能機(jī)器和軟件，這種硬件和軟件的結(jié)合能夠感知環(huán)境并在需要時(shí)采取必要的行動(dòng)，不斷從這些行動(dòng)中學(xué)習(xí)。是不是聽起來很像機(jī)器學(xué)習(xí)？跟我一起「困惑」吧。

行為分析（Behavioral Analytics）：

你有沒有想過谷歌是如何為你需要的產(chǎn)品/服務(wù)提供廣告的？行為分析側(cè)重于理解消費(fèi)者和應(yīng)用程序所做的事情，以及如何與為什么它們以某種方式起作用。這涉及了解我們的上網(wǎng)模式，社交媒體互動(dòng)行為，以及我們的網(wǎng)上購物活動(dòng)（購物車等），連接這些無關(guān)的數(shù)據(jù)點(diǎn)，并試圖預(yù)測(cè)結(jié)果。舉一個(gè)例子，在我找到一家酒店并清空購物車后，我收到了度假村假期線路的電話。我還要說多點(diǎn)嗎？

Brontobytes：

1 后面 27 個(gè)零，這是未來數(shù)字世界存儲(chǔ)單位的大小。而我們?cè)谶@里，來談?wù)?Terabyte、Petabyte、Exabyte、Zetabyte、Yottabyte 和 Brontobyte。你一定要讀這篇文章才能深入了解這些術(shù)語。

商業(yè)智能（Business Intelligence）：

我將重用 Gartner 對(duì) BI 的定義，因?yàn)樗忉尩暮芎?。商業(yè)智能是一個(gè)總稱，包括應(yīng)用程序、基礎(chǔ)設(shè)施、工具以及最佳實(shí)踐，它可以訪問和分析信息，從而改善和優(yōu)化決策及績(jī)效。

生物測(cè)定學(xué)（Biometrics）：

這是一項(xiàng) James Bondish 技術(shù)與分析技術(shù)相結(jié)合的通過人體的一種或多種物理特征來識(shí)別人的技術(shù)，如面部識(shí)別，虹膜識(shí)別，指紋識(shí)別等。

點(diǎn)擊流分析（Clickstream analytics）：

用于分析用戶在網(wǎng)絡(luò)上瀏覽時(shí)的在線點(diǎn)擊數(shù)據(jù)。有沒有想過即使在切換網(wǎng)站時(shí)，為什么某些谷歌廣告還是陰魂不散？因?yàn)楣雀璐罄兄滥阍邳c(diǎn)擊什么。

聚類分析（Cluster Analysis）：

是一個(gè)試圖識(shí)別數(shù)據(jù)結(jié)構(gòu)的探索性分析，也稱為分割分析或分類分析。更具體地說，它試圖確定案例的同質(zhì)組（homogenous groups），即觀察、參與者、受訪者。如果分組以前未知，則使用聚類分析來識(shí)別案例組。因?yàn)樗翘剿餍缘?，確實(shí)對(duì)依賴變量和獨(dú)立變量進(jìn)行了區(qū)分。SPSS 提供的不同的聚類分析方法可以處理二進(jìn)制、標(biāo)稱、序數(shù)和規(guī)模（區(qū)間或比率）數(shù)據(jù)。

比較分析（Comparative Analytics）：

因?yàn)榇髷?shù)據(jù)的關(guān)鍵就在于分析，所以本文中我將深入講解分析的意義。顧名思義，比較分析是使用諸如模式分析、過濾和決策樹分析等統(tǒng)計(jì)技術(shù)來比較多個(gè)進(jìn)程、數(shù)據(jù)集或其他對(duì)象。我知道它涉及的技術(shù)越來越少，但是我仍無法完全避免使用術(shù)語。比較分析可用于醫(yī)療保健領(lǐng)域，通過比較大量的醫(yī)療記錄、文件、圖像等，給出更有效和更準(zhǔn)確的醫(yī)療診斷。

關(guān)聯(lián)分析（Connection Analytics）：

你一定看到了像圖表一樣的蜘蛛網(wǎng)將人與主題連接起來，從而確定特定主題的影響者。關(guān)聯(lián)分析分析可以幫助發(fā)現(xiàn)人們、產(chǎn)品、網(wǎng)絡(luò)之中的系統(tǒng)，甚至是數(shù)據(jù)與多個(gè)網(wǎng)絡(luò)結(jié)合之間的相關(guān)連接和影響。

數(shù)據(jù)分析師（Data Analyst）：

數(shù)據(jù)分析師是一個(gè)非常重要和受歡迎的工作，除了準(zhǔn)備報(bào)告之外，它還負(fù)責(zé)收集、編輯和分析數(shù)據(jù)。

數(shù)據(jù)清洗（Data Cleansing）：

顧名思義，數(shù)據(jù)清洗涉及到檢測(cè)并更正或者刪除數(shù)據(jù)庫中不準(zhǔn)確的數(shù)據(jù)或記錄，然后記住「臟數(shù)據(jù)」。借助于自動(dòng)化或者人工工具和算法，數(shù)據(jù)分析師能夠更正并進(jìn)一步豐富數(shù)據(jù)，以提高數(shù)據(jù)質(zhì)量。請(qǐng)記住，臟數(shù)據(jù)會(huì)導(dǎo)致錯(cuò)誤的分析和糟糕的決策。

數(shù)據(jù)即服務(wù)（DaaS）：

我們有軟件即服務(wù)（SaaS）， 平臺(tái)即服務(wù)（PaaS），現(xiàn)在我們又有 DaaS，它的意思是：數(shù)據(jù)即服務(wù)。通過給用戶提供按需訪問的云端數(shù)據(jù)，DaaS 提供商能夠幫助我們快速地得到高質(zhì)量的數(shù)據(jù)。

數(shù)據(jù)虛擬化（Data virtualization）：

這是一種數(shù)據(jù)管理方法，它允許某個(gè)應(yīng)用在不知道技術(shù)細(xì)節(jié)（如數(shù)據(jù)存放在何處，以什么格式）的情況下能夠抽取并操作數(shù)據(jù)。例如，社交網(wǎng)絡(luò)利用這個(gè)方法來存儲(chǔ)我們的照片。

臟數(shù)據(jù)（Dirty Data）：

既然大數(shù)據(jù)這么吸引人，那么人們也開始給數(shù)據(jù)加上其他的形容詞來形成新的術(shù)語，例如黑數(shù)據(jù)（dark data）、臟數(shù)據(jù)（dirty data）、小數(shù)據(jù)（small data），以及現(xiàn)在的智能數(shù)據(jù)（smart data）。臟數(shù)據(jù)就是不干凈的數(shù)據(jù)，換言之，就是不準(zhǔn)確的、重復(fù)的以及不一致的數(shù)據(jù)。顯然，你不會(huì)想著和臟數(shù)據(jù)攪在一起。所以，盡快地修正它。

模糊邏輯（Fuzzy logic）：

我們有多少次對(duì)一件事情是確定的，例如 100% 正確？很稀少！我們的大腦將數(shù)據(jù)聚合成部分的事實(shí)，這些事實(shí)進(jìn)一步被抽象為某種能夠決定我們決策的閾值。模糊邏輯是一種這樣的計(jì)算方式，與像布爾代數(shù)等等中的「0」和「1」相反，它旨在通過漸漸消除部分事實(shí)來模仿人腦。

游戲化（Gamification）：

在一個(gè)典型的游戲中，你會(huì)有一個(gè)類似于分?jǐn)?shù)一樣的元素與別人競(jìng)爭(zhēng)，并且還有明確的游戲規(guī)則。大數(shù)據(jù)中的游戲化就是使用這些概念來收集、分析數(shù)據(jù)或者激發(fā)玩家。

圖數(shù)據(jù)庫（Graph Databases）：

圖數(shù)據(jù)使用節(jié)點(diǎn)和邊這樣的概念來代表人和業(yè)務(wù)以及他們之間的關(guān)系，以挖掘社交媒體中的數(shù)據(jù)。是否曾經(jīng)驚嘆過亞馬遜在你買一件產(chǎn)品的時(shí)候告訴你的關(guān)于別人在買什么的信息？對(duì)，這就是圖數(shù)據(jù)庫。

Hadoop 用戶體驗(yàn)（Hadoop User Experience ／Hue）：

Hue 是一個(gè)能夠讓使用 Apache Hadoop 變得更加容易的開源接口。它是一款基于 web 的應(yīng)用；它有一款分布式文件系統(tǒng)的文件瀏覽器；它有用于 MapReduce 的任務(wù)設(shè)計(jì)；它有能夠調(diào)度工作流的框架 Oozie；它有一個(gè) shell、一個(gè) Impala、一個(gè) Hive UI 以及一組 Hadoop API。

高性能分析應(yīng)用（HANA）：

這是 SAP 公司為大數(shù)據(jù)傳輸和分析設(shè)計(jì)的一個(gè)軟硬件內(nèi)存平臺(tái)。

HBase：

一個(gè)分布式的面向列的數(shù)據(jù)庫。它使用 HDFS 作為其底層存儲(chǔ)，既支持利用 MapReduce 進(jìn)行的批量計(jì)算，也支持利用事物交互的批量計(jì)算。

負(fù)載均衡（Load balancing）：

為了實(shí)現(xiàn)最佳的結(jié)果和對(duì)系統(tǒng)的利用，將負(fù)載分發(fā)給多個(gè)計(jì)算機(jī)或者服務(wù)器。

元數(shù)據(jù)（Metadata）：

元數(shù)據(jù)就是能夠描述其他數(shù)據(jù)的數(shù)據(jù)。元數(shù)據(jù)總結(jié)了數(shù)據(jù)的基本信息，這使得查找和使用特定的數(shù)據(jù)實(shí)例變得更加容易。例如，作者、數(shù)據(jù)的創(chuàng)建日期、修改日期以及大小，這幾項(xiàng)是基本的文檔元數(shù)據(jù)。除了文檔文件之外，元數(shù)據(jù)還被用于圖像、視頻、電子表格和網(wǎng)頁。

MongoDB：

MongoDB 是一個(gè)面向文本數(shù)據(jù)模型的跨平臺(tái)開源數(shù)據(jù)庫，而不是傳統(tǒng)的基于表格的關(guān)系數(shù)據(jù)庫。這種數(shù)據(jù)庫結(jié)構(gòu)的主要設(shè)計(jì)目的是讓結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)在特定類型應(yīng)用的整合更快、更容易。

Mashup：

幸運(yùn)的是，這個(gè)術(shù)語和我們?cè)谌粘Ｉ钪惺褂玫摹竚ashup」一詞有著相近的含義，就是混搭的意思。實(shí)質(zhì)上，mashup 是一個(gè)將不同的數(shù)據(jù)集合并到一個(gè)單獨(dú)應(yīng)用中的方法（例如：將房地產(chǎn)數(shù)據(jù)與地理位置數(shù)據(jù)、人口數(shù)據(jù)結(jié)合起來）。這確實(shí)能夠讓可視化變得很酷。

多維數(shù)據(jù)庫（Multi-Dimensional Databases）：

這是一個(gè)為了數(shù)據(jù)在線分析處理（OLAP）和數(shù)據(jù)倉庫優(yōu)化而來的數(shù)據(jù)庫。如果你不知道數(shù)據(jù)倉庫是什么，我可以解釋一下，數(shù)據(jù)倉庫不是別的什么東西，它只是對(duì)多個(gè)數(shù)據(jù)源的數(shù)據(jù)做了集中存儲(chǔ)。

多值數(shù)據(jù)庫（MultiValue Databases）：

多值數(shù)據(jù)庫是一種非關(guān)系型數(shù)據(jù)庫，它能夠直接理解三維數(shù)據(jù)，這對(duì)直接操作 HTML 和 XML 字符串是很好的。

自然語言處理（Natural Language Processing）：

自然語言處理是被設(shè)計(jì)來讓計(jì)算機(jī)更加準(zhǔn)確地理解人類日常語言的軟件算法，能夠讓人類更加自然、更加有效地和計(jì)算機(jī)交互。

神經(jīng)網(wǎng)絡(luò)（Neural Network）：

根據(jù)這個(gè)描述（http://neuralnetworksanddeeplearning.com/），神經(jīng)網(wǎng)絡(luò)是一個(gè)受生物學(xué)啟發(fā)的非常漂亮的編程范式，它能夠讓計(jì)算機(jī)從觀察到的數(shù)據(jù)中學(xué)習(xí)。已經(jīng)好久沒有一個(gè)人會(huì)說一個(gè)編程范式很漂亮了。實(shí)際上，神經(jīng)網(wǎng)絡(luò)就是受現(xiàn)實(shí)生活中腦生物學(xué)啟發(fā)的模型。..。..。 與神經(jīng)網(wǎng)絡(luò)緊密關(guān)聯(lián)的一個(gè)術(shù)語就是深度學(xué)習(xí)。深度學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)中一系列學(xué)習(xí)技術(shù)的集合。

模式識(shí)別（Pattern Recognition）：

當(dāng)算法需要在大規(guī)模數(shù)據(jù)集或者在不同的數(shù)據(jù)集上確定回歸或者規(guī)律的時(shí)候，就出現(xiàn)了模式識(shí)別。它與機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘緊密相連，甚至被認(rèn)為是后兩者的代名詞。這種可見性可以幫助研究者發(fā)現(xiàn)一些深刻的規(guī)律或者得到一些可能被認(rèn)為很荒謬的結(jié)論。

射頻識(shí)別（Radio Frequency Identification／RFID）：

射頻識(shí)別是一類使用非接觸性無線射頻電磁場(chǎng)來傳輸數(shù)據(jù)的傳感器。隨著物聯(lián)網(wǎng)的發(fā)展，RFID 標(biāo)簽能夠被嵌入到任何可能的「東西里面」，這能夠生成很多需要被分析的數(shù)據(jù)。歡迎來到數(shù)據(jù)世界。

軟件即服務(wù)（SaaS）：

軟件即服務(wù)讓服務(wù)提供商把應(yīng)用托管在互聯(lián)網(wǎng)上。SaaS 提供商在云端提供服務(wù)。

半結(jié)構(gòu)化數(shù)據(jù)（Semi-structured data）：

半結(jié)構(gòu)化數(shù)據(jù)指的是那些沒有以傳統(tǒng)的方法進(jìn)行格式化的數(shù)據(jù)，例如那些與傳統(tǒng)數(shù)據(jù)庫相關(guān)的數(shù)據(jù)域或者常用的數(shù)據(jù)模型。半結(jié)構(gòu)化數(shù)據(jù)也不是完全原始的數(shù)據(jù)或者完全非結(jié)構(gòu)化的數(shù)據(jù)，它可能會(huì)包含一些數(shù)據(jù)表、標(biāo)簽或者其他的結(jié)構(gòu)元素。半結(jié)構(gòu)化數(shù)據(jù)的例子有圖、表、XML 文檔以及電子郵件。半結(jié)構(gòu)化數(shù)據(jù)在萬維網(wǎng)上十分流行，在面向?qū)ο髷?shù)據(jù)庫中經(jīng)常能夠被找到。

情感分析（Sentiment Analysis）：

情感分析涉及到了對(duì)消費(fèi)者在社交媒體、顧客代表電話訪談和調(diào)查中存在的多種類型的交互和文檔中所表達(dá)的情感、情緒和意見的捕捉、追蹤和分析。文本分析和自然語言處理是情感分析過程中的典型技術(shù)。情感分析的目標(biāo)就是要辨別或評(píng)價(jià)針對(duì)一個(gè)公司、產(chǎn)品、服務(wù)、人或者時(shí)間所持有的態(tài)度或者情感。

空間分析（Spatial analysis）：

空間分析指的是對(duì)空間數(shù)據(jù)作出分析，以識(shí)別或者理解分布在幾何空間中的數(shù)據(jù)的模式和規(guī)律，這類數(shù)據(jù)有幾何數(shù)據(jù)和拓?fù)鋽?shù)據(jù)。

流處理（Stream processing）：

流處理被設(shè)計(jì)用來對(duì)「流數(shù)據(jù)」進(jìn)行實(shí)時(shí)的「連續(xù)」查詢和處理。為了對(duì)大量的流數(shù)據(jù)以很快的速度持續(xù)地進(jìn)行實(shí)時(shí)的數(shù)值計(jì)算和統(tǒng)計(jì)分析，社交網(wǎng)絡(luò)上的流數(shù)據(jù)對(duì)流處理的需求很明確。

智能數(shù)據(jù)（Smart Data）：

是經(jīng)過一些算法處理之后有用并且可操作的數(shù)據(jù)。

Terabyte：

這是一個(gè)相對(duì)大的數(shù)字?jǐn)?shù)據(jù)單位，1TB 等于 1000GB。據(jù)估計(jì)，10TB 能夠容納美國國會(huì)圖書館的所有印刷品，而 1TB 則能夠容納整個(gè)百科全書 Encyclopedia Brittanica。

可視化（Visualization）：

有了合理的可視化之后，原始數(shù)據(jù)就能夠使用了。當(dāng)然這里的可視化并不止簡(jiǎn)單的圖表。而是能夠包含數(shù)據(jù)的很多變量的同時(shí)還具有可讀性和可理解性的復(fù)雜圖表。

Yottabytes：

接近 1000 Zettabytes，或者 2500 萬億張 DVD?，F(xiàn)在所有的數(shù)字存儲(chǔ)大概是 1 Yottabyte，而且這個(gè)數(shù)字每 18 個(gè)月會(huì)翻一番。

Zettabytes：

Zettabytes：接近 1000 Exabytes，或者 10 億 Terabytes。
編輯：lyn