校招准备-大数据工具
学习计划1:spark,spark数据处理,预处理,机器学习,分布式机器学习算法等相关
学习计划2:hadoop系列 hbase,pig,yarn,HDFS 流计算学习
学习计划3:ETL相关知识学习
未完待续
-------------------------
spark学习计划:
各种零散的点
1.scala学习
2.hadoop基础,mapreduce原理和实现应用(找一个log分析的实例?)mr2框架已经逐步被替代,HDFS ;yarn; hbase,hive,sqoop 等技术栈,看看有什么可以补上的吗
3.spark适用环境, mr框架的缺点是啥,为什么spark能更好的完成一些任务,
spark core, RDD,spark任务调度,spark sql, spark streaming, MLlib,
4.
------------------------------
阿里巴巴18春招实习生描述
数据研发工程师 ::: 数据库技术,Hadoop,Linux,元数据管理,ETL技术,分布式技术
如果你想参与阿里大数据的采集、存储、处理，通过分布式大数据平台加工数据，支持业务管理决策
如果你想参与阿里大数据体系的设计、开发、维护，通过数据仓库、元数据、质量体系有效的管理和组织几百P的数据
如果你想参与阿里大数据产品的研发，通过对数据的理解，发挥你的商业sense，发掘数据价值，探索大数据商业化
如果你想接触世界领先的大数据处理与应用的技术和平台，获得大数据浪潮之巅的各类大牛的指导
熟悉一门数据处理语言，如SQL、JAVA、Python、Perl等，熟悉unix或者linux操作
有参与过数据处理、分析、挖掘等相关项目更好
对Hadoop、Hive、Hbase等分布式平台有一定的理解更好
算法工程师-机器学习
我们专注于大数据之上的机器学习算法研究与应用，如果你了解机器学习、深度学习、强化学习、迁移学习、主动学习、特征提取与稀疏学习、等级学习等
负责机器学习、深度学习领域的技术研发工作，包括但不限于神经元网络模型设计与优化、强化学习、迁移学习、主动学习、维度降低、核方法、谱方法、特征提取与稀疏学习、等级学习、推荐、随机优化等的算法和系统研发等
负责机器学习尤其是深度学习前沿问题的探索与研究，结合未来实际应用场景，提供全面的技术解决方案
负责提供分布式的算法实现的解决方案，大幅提升算法计算规模和性能
负责提供大数据分析建模方案，沉淀行业解决方案，协助拓展业务边界
-----------------------
hadoop系 (学习如何使用/原理)
Hadoop/Yarn/Zookeeper
Spark/Spark SQL/Spark Streaming
Storm/Flink/Beam
ETL
ETL早期作为数据仓库的关键环节，负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库（Data Warehouse）或数据集市（Data Mart）中，成为联机分析处理（On-Line Analytical Processing，OLAP）、数据挖掘（Data Mining）的基础。
写shell,搭hadoop/hive/hbase 写复杂逻辑的sql
负责数据的抽取，转化和传输，一般这个部门在企业里面负责数据的转化，以前数据仓库时代是 SQL 为主和 ETL 工具为辅。现在非结构性质的系统比如说 Hadoop 等等，他们脚本语言的能力需要很强。
数据etl过程,数据建模,定时任务的分配,hadoop集群维护
总之就是需要把数据各种导入导出,各种收集处理,
大数据查询
Presto/Kylin/Druid/Impala, 推荐一本书: 《Druid实时大数据分析》
调度 airflow, azkaban, kubernetes, mesos 等
中间件
消息中间件 kafka/ rocketMQ, see: https://github.com/apache/incubator-rocketmq
缓存中间件 memcached
BI工程师
一般是做数据可视化，报表开发，常用工具（如BO Cognos MSTR等），也有基于js（如echarts hicharts等）的Web开发
数据仓库工程师：
数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。 为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。
传统的数据仓库概念，职责大致可以分为两种，一是业务分析（BA）和数据建模（Data Modeling），主要做需求分析，业务理解，数据仓库表结构和字段逻辑设计；一是流程（ETL）开发，具体工作如下
===================
spark一份课程的目录
链接：https://www.zhihu.com/question/31427697/answer/202371651
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
第一阶段 Spark内核深度剖析
第00节课-课程特色和学习方式
第一节课-Spark概述（四大特性）
第二节课-Spark入门
第三节课-什么是RDD？
第四节课-spark架构
第五节课-linux环境准备（虚拟机，linux）
第六节课-hadoop环境准备
第七节课-spark环境准备
第八节课-spark开发环境搭建（java，scala）
第八节课-补充-maven打包
第九节课-spark任务提交
第十节课--Historyserver配置
第十一节课--RDD的创建方式
第十二节课--Transformation和action原理剖析
第十三节课--map，filter，flatMap算子演示（java版）
第十四节课--groupByKey,reduceByKey,sortByKey算子演示（java版）
第十五节课--join，cogroup,union算在演示（java版本）
第十六节课--Intersection，Distinct，Cartesian算子演示（java版本）
第十七节课--mapPartition，reparation，coalesce算子演示（java版）
第十八节课--sample，aggregateByke算子演示（java版本）
第十九节课--mapPartitionsWithIndex,repartitionAndSortWithinPartitions算子演示（java）
第二十节课--action算子演示（java版）
第二十一节课--map,filter,flatMap,groupByKey,reduceByKey,sortByKey算子演示（scala)
第二十二节课--join,cogroup,union,intersection,distinct,cartesian算子演示（scala)
第二十三节课--mapPartitions,reparition,coalesce,sample,aggregateByKey算子演示(scala)
第二十四节课-mapPartitionsWithIndex,repartitionAndSortWithinPartitions算子演示(scala)
第二十五节课-RDD持久化（tachyon）
第二十六节课--共享变量（广播变量，累加变量）
第二十七节课-Spark on YARN模式（cluster,client）
第二十八节课-窄依赖和宽依赖
第二十九节课--Shuffle原理剖析
第三十节课--stage划分原理剖析
第三十一节课-Spark任务调度
第三十二节课--综合案例一TopN（scala）
第三十三节课--综合案例二日志分析上(scala)
第三十三节课--综合案例二日志分析下(scala)
第三十四节课--spark2内核新特性
第二阶段 Spark调优
第三十五节课-Spark调优概述
第三十六节课-开发调优(1)
第三十七节课-开发调优(2)
第三十八节课-开发调优(3)
第三十九节课-开发调优(4)
第四十节课-开发调优(5)
第四十一节课-开发调优(6)
第四十二节课-开发调优(7)
第四十三节课-开发调优(8)
第四十四节课-开发调优(9)
第四十五节课-数据本地化
第四十六节课-数据倾斜原理
第四十七节课-数据倾斜解决方案一
第四十八节课-数据倾斜解决方案二
第四十九节课-数据倾斜解决方案三
第五十节课-数据倾斜解决方案四
第五十一节课-数据倾斜解决方案五
第五十二节课-数据倾斜解决方案六
第五十三节课-数据倾斜解决方案七
第五十四节课-shuffle调优
第五十五节课-Spark资源模型
第五十六节课-资源调优
第五十七节课-Spark JVM调优(1)
第五十八节课-Spark JVM调优(2)
第五十九节课-Spark JVM调优(3)
第六十节课-Spark JVM调优(4)
第六十一节课-Spark JVM调优(5)
第六十二节课-spark调优总结
第三阶段 SparkSQL精讲
第六十三节课-SparkSQL前世今生
第六十四节课-Dataframe使用
第六十五节课-Reflection方式将RDD转换成Dataframe
第六十六节课-Programmatically方式将RDD转换成DataFrame
第六十七节课-DataFreme VS RDD
第六十八节课-数据源之数据load和save
第六十九节课-数据源之parquetfile操作
第七十节课-数据源之JSON数据
第七十一节-课数据源之JDBC
第七十二节课-数据源之Hive table-hive环境搭建
第七十三节课-数据源之Hive table-spark环境集成
第七十四节课-数据源之Hive table-使用
第七十五节课-数据源之HBase环境准备
第七十六节课-数据源之HBase
第七十七节课-Thriftserver使用
第七十八节课-UDF开发
第七十九节课-UADF开发
第八十节课-开窗函数
第八十一节课-groupBy和agg函数使用
第八十二节课-综合案例一（日志分析）
第八十三节课-综合案例二(用户行为分析)-1
第八十四节课-综合案例二(用户行为分析)-2
第八十五节课-综合案例二(用户行为分析)-3
第八十六节课-综合案例二(用户行为分析)-4
第八十七节课-综合案例二(用户行为分析)-5
第四阶段 SparkStreaming精讲
第八十八节课-Spark Streaming工作原理
第八十九节课-Spark Streaming入门案例
第九十节课-Spark Streaming HDFS WordCount例子演示
第九十一节课-Spark Streaming之updateStateByKey
第九十二节课-Spark Streaming之mapWithState
第九十三节课-Spark Streaming之transform
第九十四节课-Spark Streaming之window操作
第九十五节课-Spark Streaming之foreachRDD
第九十六节课-Spark Streaming之flume原理介绍
第九十七节课-Spark Streaming之flume搭建
第九十八节课-Spark Streaming之flume集成
第九十九节课-Spark Streaming之kafka原理介绍
第一百节课-Spark Streaming之kafka集成
第一百零一节课-Spark Streaming之kafka集群部署
第一百零二节课-Spark Streaming之综合案例TopN实时统计
第一百零三节课-Spark Streaming之Driver HA配置
第五阶段 Spark2新特性
第一百零四节课-Spark2新特性之 Spark2设计目标-更容易、更快速、更智能
第一百零五节课-Spark2 新特性之SparkSQL变化之 SparkSession
第一百零六节课-Spark2新特性之whole-stage code generation和vectorization技术剖析
第一百零七节课-Spark2 新特性之RDD，DataFream 和DataSet关系
第一百零八节课-Spark2 新特性之DataSet Transformation演示（1）
第一百零九节课-Spark2 新特性之DataSet Action演示（2）
第一百一十节课-Spark2 新特性之DataSet 基本操作演示（3）
第一百一十一节课-Spark2 新特性之DataSet[untyped ] 基本操作演示（4）
第一百一十二节课-Spark2 新特性之DataSet其它功能演示（5）
第一百一十三节课-Spark2 新特性之 Structured Streaming设计目标
第一百一十四节课-Spark2 新特性之 Structured Streaming原理剖析
第一百一十五节课-Spark2 新特性之 Structured Streaming 案例演示
