大数据分析的未来是怎样的
本节探讨未来的大数据分析的技术前景。
要探讨的一件有趣的事情是在Apache Tez 之上实现机器学习算法。这里要解决的问题在于是否存在帮助实现迭代式机器学习的有向无环图执行器。主要的挑战是停止/结束条件不能是静态的,而只能在运行时。这一点已在最近由Eurosys 提出的Optimus 系统(Ke 等,2013)中探讨过,该系统提供了一个在DryadLINQ 上实现机器学习算法的途径。
另一件需要引起注意的有趣工作是来自斯坦福大学的Forge 系统(Sujeeth 等,2013)。Forge 提供了一种领域特定元语言(DSL),该语言允许用户为不同领域指定DSL。DSL 概念(Chafi 等,2011)的引入可作为分布式系统的替代手段——这是从程序员以及高效实现的领悟中抽象出来的。Forge 也有为机器学习提供的特定DSL,称作OptiML。Forge 既有单纯的Scala 实现(用于原型机)也有高效并行的分布式实现,后者可以部署在集群环境(用于生产环境)。Forge 使用Delite 框架(Brown 等,2011)实现了后者的一部分。性能测试显示,由Forge 在集群节点上自动生成的分布式实现相当于用Spark 实现的等价功能的40 倍性能,它也表达了Spark 仍然有优化的可能性——这一点值得做更进一步的探讨。
大数据方面的深度学习仍然是这一领域的圣杯。近期来自谷歌的论文显示已取得一定进展(Dean 等,2012)。这篇论文展示了两种训练算法,多点同时随机梯度下降算法和集群多节点L-BGFS,用于训练深度神经网络。核心思想是共享参数服务器用于多模型副本并行训练。尽管参数服务器在训练时是共享的,分片本身也会成为单点故障。一个可能的改进是在它们之间覆盖网络,作为通信的对等集合查看参数服务器,就像OpenDHT 或Pastry。这样参数服务器就实现了容错,甚至提升了性能。
使用前面章节介绍过的七大任务的目的是需要描述为机器学习这类计算并识别在大数据世界里当前实现的差距。就任务6、7 的实现而言,它们之间在集成方面就有差距(在处理数据方面的整合工作上),可能要求马尔科夫链的蒙特卡罗(MCMC)实现,正如在第1 章解释过的。MCMC 在Hadoop上是出名的难以实现。Spark 可能是最理想的。类似的,任务7(比对问题)可能要求隐马尔科夫模型(HMM)实现,这一点就是另一个领域的讨论了——实现了隐马尔科夫模型的大数据。应用包括图像的重复数据删除(比如,在Aadhaar 工程中——印度的身份项目,要求从存储的数以亿计的图像中找出重复的照片)。
D-wave 量子计算机已被安装在量子人工智能(AI)实验室(由NASA、谷歌,以及大学空间研究协会联合运行)。这一举措的根本目的是用量子方法探讨难以解决的问题(任务5)。谷歌还聘请了一些人工智能研究人员,比如Ray Kurzweil。这一系列的举措的圣杯是量子机器学习,可能会有人使用这一术语。而它已被麻省理工学院的Seth Lyod 在量子计算国际会议中提出。他的工作是使用量子比特检索(Qbit,量子比特)。在大数据集环境下它可以快速给出结果,同时又抛出了另外的有趣问题:隐私。量子比特不能在传输过程中窥探——窥探会影响量子比特状态。当然这是一个值得深入探索的领域。
分析领域的另一项有趣进展是基于磁盘的单节点分析——与云/分布式的趋势背道而驰。由GraphLab 的创建者发表的GraphChi 的论文(Kyrola 等,2012)提出了例证。GraphChi提供了一种处理磁盘上的大型图的机制。对于Twitter-2010 图型的三角形计数,它们表现为单节点低于90 分钟的性能,而相同功能的Hadoop 实现却要在一个分布式环境下的1400 个工作进程花费400 分钟。GraphChi 采用一系列外存算法和并行滑动窗口的方式异步处理磁盘上的大型图。2013 年10 月,在纽约的一次Strata 会议中,Sisense,一家小的初创公司,展示了他单节点10 秒钟内处理10TB 数据的能力,而全部花费不到10,000 美元。探索GraphChi 在分布式环境中的应用会很有趣——它可能会提供快速处理巨型图的能力。
另一个有趣的趋势是大数据、移动设备和云端在物联网(IoT)的支持下的整合。对于大数据架构/研究,这里蕴藏着巨大的机遇,因为通过物联网有更多来自用户的有效数据,同时还提供了数据分析的温床。通过云端的大量大数据平台,云端已与大数据做了很大程度上的整合。IoT 与大数据云的整合可能是一个可预见的趋势。
数据分析咨询请扫描二维码
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20