2020-04-22 09:07发布
《Spark快速大数据分析+Hive编程指南+Hadoop数据分析》
总共三册，涉及到的点讲的都比较详细，但是需要有一点基础知识
如果感觉自己的大数据技术已经到达瓶颈可以看一下《大数据架构详解》
1. 《大数据分析：点“数”成金》
你现在正坐在一座金矿上，这些金子或被埋于备份，或正藏在你眼前的数据集里，他们是提升公司效益、拓展新的商业关系、制定更直观决策的秘诀所在，足以使你的企业更上一层楼。你将明白如何利用、分析和驾驭数据来获得丰厚回报。作者Frank Ohlhorst厚积数十年的技术经验写了此书。该书介绍了如何将大数据应用于各行各业，你将了解到如何对数据进行挖掘，怎样从数据中揭示趋势并转化为竞争策略及提取价值的方法。这些更有意思也是更有效的方法能够提升企业的智能化水平，将有助于企业解决实际问题，提升利润空间，提高生产率并发现更多的商业机会。
2.《大数据时代》
《大数据时代》是国外大数据系统研究的先河之作，本书作者维克托被誉为”大数据商业应用第一人”，拥有再哈佛大学、牛津大学和新加坡国立大学等多个互联网研究重镇任教经历，早在2010年就在《经济学人》上发布了长达14页对大数据应用的前瞻性研究。该书主要讲了大数据时代的变革、商业变革和管理变革。《大数据时代》认为大数据的核心就是预测。大数据为人类的生活创造了前所未有的可量化的维度。大数据已经成为了新发明和新服务的源泉，而更多的改变正蓄势待发。
3.《云端时代杀手级应用：大数据分析》
《云端时代杀手级应用：大数据分析》分析了什么是大数据、大数据大商机、技术与前瞻三个部分。第一个部分介绍大数据分析的概念，以及企业、政府部门可应用的范畴。什么是大数据分析？与个人与企业有什么关系？将对全球产业造成什么样的冲击？第二部分完整介绍了大数据在各产业的应用实况，为企业及政府部门提供应用的方向。提供了全球各地的实际应用案例，涵盖了零售、金融、政府部门、能源、制造、娱乐等各个行业，充分展示了大数据分析产生的效益。第三部分则简单介绍了大数据分析所需要的技术及未来的发展趋势，为读者提供了应用与研究的方向。
4.《大数据》
本书通过讲述美国半个多世纪信息开放、技术创新的历史，以别开生面的经典案例奥巴马建设”前所未有的开放政府“的雄心、公开财务透明的曲折。《数据质量法》背后隐情，全国医改法案的波澜、统一身份证的百年纠结以及云计算、Facebook和推特等社交媒体等等，为您一一讲解数据创新给社会带来的种种变革和挑战。
5.《大数据互联网大规模数据挖掘与分布式处理》。
该书主要讲的是海量数集数据挖掘常用的算法。书中分析了海量数据集数据挖掘常用的算法，介绍了目前WEB端应用的许多重要话题等。
《大数据处理之道》 非常好的一本书，通俗易懂，适合入门，介绍了目前关键的几个大数据方面的技术，什么Hadoop啊，Spark啊，Stream啊都有
推荐书籍：
《Effective Java中文版》
《Big Data》
《Hadoop权威指南》
《Hive编程指南》
《Learning Spark》
《Spark机器学习：核心技术与实践》
也不难学，但是要有JAVA的基础
这个要看你在哪个城市就业了，一般来说适合大数据就业的城市不多，一线城市北上广深，甚至在成都找大数据方向的工作都不太好找。如果你学了大数据，刚好也在比较热门的城市，大数据薪资至少也得上万吧。...
自学的话就走很多弯路，需要花费大量时间。如果时间充足可以自学。
人工智能当前有六大研究领域，涉及到计算机视觉、自然语言处理、机器学习、自动推理、知识表示和机器人学，初学者应该选择一个主攻方向，并围绕这个主攻方向来制定学习计划。对于初学者来说，可以从机器学习开始学起，一方面机器学习是打开人工智能知识大门的...
机器学习跟模式识别，统计学习，数据挖掘，计算机视觉，语音识别，自然语言处理等领域有着关系
机器学习(Machine Learning, ML)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。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的...
先来看一下机器学习的概念，我们提供给电脑样例数据，电脑通过一定的模型自己学习出相应的规则，并且这些规则可以随着数据的输入不断调整。而深度学习，则是一种十分有效的机器学习方法。现在的深度学习主要指的是深度神经网络。神经网络形式上就是一个分层的...
行业里其实都有参合一起用，但是java用的比较多！
特征缩放(feature scaling)是预处理阶段的关键步骤，但常常被遗忘。虽然存在决策树和随机森林这种是少数不需要特征缩放的机器学习算法，但对于大部分机器学习算法和优化算法来说，如果特征都在同一范围内，会获得更好的结果。比如梯度下降法。特征缩放的重要...
机器学习【一】K最近邻算法涉及内容：分类——————数据集生成器、KNN拟合数据多元分类————生成数据集、KNN拟合回归分析————用于回归分析的数据集生成器、KNN拟合、调整近邻数KNN实战—酒的分类————数据集有哪些键、生成训练集和测试集、KNN拟...
java 的优势就是 运行速度快（相比 pure python），python 的优势就是 库多，写起来代码量少
微积分、线性代数、概率论、最优化方法
最多设置5个标签!
{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1515056452',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','/static/images/logo.png', '推荐 呼呼哈小童鞋 的问题《大数据有什么书籍推荐？》','http://www.shouhuola.com/q-7117.html','页面编码gb2312|utf-8默认gb2312'));){kind=link}
《Spark快速大数据分析+Hive编程指南+Hadoop数据分析》
总共三册，涉及到的点讲的都比较详细，但是需要有一点基础知识
如果感觉自己的大数据技术已经到达瓶颈可以看一下《大数据架构详解》
1. 《大数据分析：点“数”成金》
你现在正坐在一座金矿上，这些金子或被埋于备份，或正藏在你眼前的数据集里，他们是提升公司效益、拓展新的商业关系、制定更直观决策的秘诀所在，足以使你的企业更上一层楼。你将明白如何利用、分析和驾驭数据来获得丰厚回报。作者Frank Ohlhorst厚积数十年的技术经验写了此书。该书介绍了如何将大数据应用于各行各业，你将了解到如何对数据进行挖掘，怎样从数据中揭示趋势并转化为竞争策略及提取价值的方法。这些更有意思也是更有效的方法能够提升企业的智能化水平，将有助于企业解决实际问题，提升利润空间，提高生产率并发现更多的商业机会。
2.《大数据时代》
《大数据时代》是国外大数据系统研究的先河之作，本书作者维克托被誉为”大数据商业应用第一人”，拥有再哈佛大学、牛津大学和新加坡国立大学等多个互联网研究重镇任教经历，早在2010年就在《经济学人》上发布了长达14页对大数据应用的前瞻性研究。该书主要讲了大数据时代的变革、商业变革和管理变革。《大数据时代》认为大数据的核心就是预测。大数据为人类的生活创造了前所未有的可量化的维度。大数据已经成为了新发明和新服务的源泉，而更多的改变正蓄势待发。
3.《云端时代杀手级应用：大数据分析》
《云端时代杀手级应用：大数据分析》分析了什么是大数据、大数据大商机、技术与前瞻三个部分。第一个部分介绍大数据分析的概念，以及企业、政府部门可应用的范畴。什么是大数据分析？与个人与企业有什么关系？将对全球产业造成什么样的冲击？第二部分完整介绍了大数据在各产业的应用实况，为企业及政府部门提供应用的方向。提供了全球各地的实际应用案例，涵盖了零售、金融、政府部门、能源、制造、娱乐等各个行业，充分展示了大数据分析产生的效益。第三部分则简单介绍了大数据分析所需要的技术及未来的发展趋势，为读者提供了应用与研究的方向。
4.《大数据》
本书通过讲述美国半个多世纪信息开放、技术创新的历史，以别开生面的经典案例奥巴马建设”前所未有的开放政府“的雄心、公开财务透明的曲折。《数据质量法》背后隐情，全国医改法案的波澜、统一身份证的百年纠结以及云计算、Facebook和推特等社交媒体等等，为您一一讲解数据创新给社会带来的种种变革和挑战。
5.《大数据互联网大规模数据挖掘与分布式处理》。
该书主要讲的是海量数集数据挖掘常用的算法。书中分析了海量数据集数据挖掘常用的算法，介绍了目前WEB端应用的许多重要话题等。
《大数据处理之道》 非常好的一本书，通俗易懂，适合入门，介绍了目前关键的几个大数据方面的技术，什么Hadoop啊，Spark啊，Stream啊都有
推荐书籍：
《Effective Java中文版》
《Big Data》
《Hadoop权威指南》
《Hive编程指南》
《Learning Spark》
《Spark机器学习：核心技术与实践》
相关问题推荐
也不难学，但是要有JAVA的基础
这个要看你在哪个城市就业了，一般来说适合大数据就业的城市不多，一线城市北上广深，甚至在成都找大数据方向的工作都不太好找。如果你学了大数据，刚好也在比较热门的城市，大数据薪资至少也得上万吧。...
自学的话就走很多弯路，需要花费大量时间。如果时间充足可以自学。
人工智能当前有六大研究领域，涉及到计算机视觉、自然语言处理、机器学习、自动推理、知识表示和机器人学，初学者应该选择一个主攻方向，并围绕这个主攻方向来制定学习计划。对于初学者来说，可以从机器学习开始学起，一方面机器学习是打开人工智能知识大门的...
机器学习跟模式识别，统计学习，数据挖掘，计算机视觉，语音识别，自然语言处理等领域有着关系
机器学习(Machine Learning, ML)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。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的...
先来看一下机器学习的概念，我们提供给电脑样例数据，电脑通过一定的模型自己学习出相应的规则，并且这些规则可以随着数据的输入不断调整。而深度学习，则是一种十分有效的机器学习方法。现在的深度学习主要指的是深度神经网络。神经网络形式上就是一个分层的...
行业里其实都有参合一起用，但是java用的比较多！
特征缩放(feature scaling)是预处理阶段的关键步骤，但常常被遗忘。虽然存在决策树和随机森林这种是少数不需要特征缩放的机器学习算法，但对于大部分机器学习算法和优化算法来说，如果特征都在同一范围内，会获得更好的结果。比如梯度下降法。特征缩放的重要...
机器学习【一】K最近邻算法涉及内容：分类——————数据集生成器、KNN拟合数据多元分类————生成数据集、KNN拟合回归分析————用于回归分析的数据集生成器、KNN拟合、调整近邻数KNN实战—酒的分类————数据集有哪些键、生成训练集和测试集、KNN拟...
java 的优势就是 运行速度快（相比 pure python），python 的优势就是 库多，写起来代码量少
微积分、线性代数、概率论、最优化方法