新人必看：大数据最专业学习路径+书籍推荐！
其实简单的来说，大数据就是通过分析和挖掘全量的非抽样的数据辅助决策。
大数据可以实现的应用可以概括为两个方向，一个是精准化定制，第二个是预测。比如像通过
搜索引擎搜索同样的内容，每个人的结果却是大不相同的。再比如精准营销、百度的推广、淘
宝的喜欢推荐，或者你到了一个地方，自动给你推荐周边的消费设施等等。
随着大数据行业的快速发展，也随之出现了一些问题，比如大数据人才的缺失就是目前急需解
决的一个问题，那么很多学大数据的人又出现了一些问题，就是大家普遍担心的就是零基础能
不能学习大数据，会不会不好学？
零基础的人要不要去大数培训机构学习大数据开发吗？答案是可以的去。大数据学习并不是高
深莫测的，虽然对于零基础学员来说不是那么简单，但是只要你认真学习，加上有专业老师的
指导和针对性的训练，相信你也是可以完全掌握大数据的。
零基础的同学学习大数据开发不能急于求成，要分阶段分步骤来一步步完成，大概可以分为四步：
第一个阶段：了解大数据的基本概念
首先，学习一门课程的时候，要对这门课程有一个简单的了解，比如说，要先学习这门课程的
一些专业的术语，学习一些入门概念知道这么课程是做什么的，主要的学习知识有哪些。那么
学习大数据就必须知道什么是大数据，一般大数据的运用领域是那些，避免自己在对大数据一
无所知的情况下就开始盲目学习。
第二个阶段：学习计算机的编程语言
对于零基础的小伙伴们来说，开始入门可能并不是那么容易，需要学习大量的理论知识，阅读
枯燥的教材。因为要掌握一门计算机编程语言，还是很难的。大家都知道计算机编程语言有很
多，比如：R，C++，Python，Java等等。
第三阶段：大数据有关的学习课程
经过了前两阶段的基础学习后，我们对编程语言也基本掌握了，接下来就可以进行大数据部分
的课程学习了。在这里小编要特别提醒大家：行业真正大数据，82%主讲都是hadoop、
spark生态体系、storm实时开发，初学者请务必认清你要学的是不是真正大数据！
第四个阶段：项目实战阶段
实战训练可以帮助我们更好的理解所学的内容，同时对相关知识加强记忆。在以后的实际运用
中，可以更快的上手，对于相关知识的使用方法也有了经验。
世上无难事只怕有心人，无论你是有基础也好还是没基础也好，只要你认真学习大数据就一定
会学好。
大数据结合人工智可以达到真正的数据科学家。
机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论
等多门学科。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的
各个领域，它主要使用归纳、综合而不是演绎。机器学习的算法基本比较固定了，学习起来相
对容易。
深度学习：深度学习的概念源于人工神经网络的研究，最近几年发展迅猛。深度学习应用的实
例有AlphaGo、人脸识别、图像检测等。是国内外稀缺人才，但是深度学习相对比较难，算法
更新也比较快，需要跟随有经验的老师学习。
最快的学习方法，就是师从行业专家，毕竟老师有多年积累的经验，自己少走弯路达到事半功
倍的效果。
2019年全新升级大数据学习路线
第一阶段：Linux理论
（1）Linux基础；（2）Linux-shell编程；（3）高并发：lvs负载均衡；（4）高可用&反向代理
第二阶段：Hadoop理论
（1）hadoop-hdfs理论；（2）hadoop-hdfs集群搭建；（3）hadoop-hdfs 2.x & api ；（4）hadoop-MR理论 ；
（5）hadoop-MR开发分析；（6）hadoop-MR源码分析 ；（7）hadoop-MR开发案例
第三阶段：Hive理论
（1）Hive介绍以及安装 ；（2）Hive实战
第四阶段：HBase
（1）HBase介绍以及安装 ；（2）HBase调优
第五阶段： redis理论
（1）redis类型 ； （2） redis高级
第六阶段：Zookeeper理论
（1）Zookeeper介绍 ；（2） Zookeeper使用
第七阶段： Scala语法
（1）Scala语法介绍；（2）scala语法实战
第八阶段： Spark理论
（1）Spark介绍；（2）Spark代码开发流程 ； （3）Spark集群搭建；（4） Spark资源调度原理；
（5）Spark任务调度；（6）Spark案例；（7）Spark中两种最重要shuffle；
（8）Spark高可用集群的搭建；（9）SparkSQL介绍；（10） SparkSQL实战 ；
（11）SparkStreaming介绍；（12）SparkStreaming实战
第九阶段：机器学习介绍
（1） 线性回归详解； （2）逻辑回归分类算法； （3）Kmeans聚类算法； （4）KNN分类算法； （5）决策树 随机森林算法
第十阶段：Elasticsearch理论
（1）Elasticsearch搜索原理； （2） Elasticsearch实战
第十一阶段：Storm理论
（1）Storm介绍以及代码实战；（2）Storm伪分布式搭建以及任务部署； （3）Storm架构详解以及DRCP原理；
（4） 虚拟化理论kvm虚拟化 ； （5） docker
1,_推荐系统理论与实战项目 Part2
2,推荐系统理论与实战 项目Part1
3.实时交易监控系统项目(下)
4,实时交易监控系统项目(上)
5,用户行为分析系统项目1
6,用户行为分析系统项目2
7,大数据批处理之HIVE详解
8,ES公开课 part1
9,spark_streaming_
10,数据仓库搭建详解
11,大数据任务调度
12,流数据集成神器Kafka
13,Spark
14,海量日志收集利器：Flume
15,Impala简介
16,Hive简介
17,MapReduce简介
18海量数据高速存取数据库 HBase
19,浅谈Hadoop管理器yarn原理
20,,分布式全文搜索引擎ElasticSearch Part2
直接上书单！
PS：本书单是鉴于本人多年浸淫大数据领域的经验，按照学习大数据的阶段和技术所列的书单，适合刚刚接触大数据领域的新人
1第一阶段：大数据基础语言的学习
• Java语言基础：Java开发介绍、熟悉Eclipse开发工具、Java语言基础、Java流程控制、Java字符串、Java数组与类和对象、数字处理类与核心技术、I/O与反射、多线程、Swing程序与集合
• HTML、CSS与JavaScript：PC端网站布局、HTML5+CSS3基础、WebApp页面布局、原生JavaScript交互功能开发、Ajax异步交互、jQuery应用
• JavaWeb和数据库：数据库、JavaWeb开发核心、JavaWeb开发内幕
推荐书籍：
• 《Effective Java》
本书为我们带来了共78条程序员必备的经验法则，针对你每天都会遇到的编程问题提出了有效、实用的解决方案。书中的每一章都包含几个"条目"，以简洁的形式呈现，自成独立的短文，它们提出了具体的建议，对于Java平台精妙之处的独到见解，以及优秀的代码范例。每个条目的综合描述和解释都阐明了应该怎么做，不应该怎么做，以及为什么。
2第二阶段：Linux&Hadoop生态体系
Linux体系、Hadoop离线计算大纲、分布式数据库Hbase、数据仓库Hive、数据迁移工具Sqoop、Flume分布式日志框架
推荐书籍：
• 《Big Data》
在大数据的背景下，我很少看到关于数据建模，数据层，数据处理需求分析以及数据架构和存储实现问题。这本书却提供了令人耳目一新的全面解决方案。
• 《Hadoop权威指南》
《Hadoop权威指南(中文版)》从Hadoop的缘起开始，由浅入深，结合理论和实践，全方位地介绍Hadoop这一高性能处理海量数据集的理想工具。
• 《Hive编程指南》
《Hive编程指南》是一本Apache Hive的编程指南，旨在介绍如何使用Hive的SQL方法HiveQL来汇总、查询和分析存储在Hadoop分布式文件系统上的大数据集合。
3第三阶段：分布式计算
• 分布式计算框架：Python编程语言、Scala编程语言、Spark大数据处理、Spark—Streaming大数据处理、Spark—Mlib机器学习、Spark—GraphX 图计算、实战一：基于Spark的推荐系统（某一线公司真实项目）、实战二：新浪网
• storm技术架构体系：Storm原理与基础、消息队列kafka、Redis工具、zookeeper详解、实战一：日志告警系统项目、实战二：猜你喜欢推荐系统实战
推荐书籍：
• 《Spark 快速大数据分析》
《Spark 快速大数据分析》是一本为Spark 初学者准备的书，它没有过多深入实现细节，而是更多关注上层用户的具体用法。
不过，本书绝不仅仅限于Spark 的用法，它对Spark 的核心概念和基本原理也有较为全面的介绍，让读者能够知其然且知其所以然。
• 《Spark机器学习：核心技术与实践》
本书采用理论与大量实例相结合的方式帮助开发人员掌握使用Spark进行分析和实现机器学习算法。
通过这些示例和Spark在各种企业级系统中的应用，帮助读者解锁Spark机器学习算法的复杂性，通过数据分析产生有价值的数据洞察力。
4第四阶段：大数据项目实战
数据获取、数据处理、数据分析、数据展现、数据应用
5第五阶段：大数据分析 —AI（人工智能）
主要是讲解Data Analyze数据分析基础、数据可视化、sklearn中三类朴素贝叶斯算法以及python机器学习等提升个人能力的内容！