前言
大家都知道學習大數據要學習很多的知識點，而往往大家在學的時候沒有技術文檔作爲技術指導學習。
這不小編就應運而生，給大家整理了一套學習大數據需要學習的技術文檔，包括的內容有點多，大致有下面幾大塊：Hadoop、Spark、Strom，Druid實戰，離線和實時大數據開發實戰，大數據算法，機器學習等，希望大家能夠喜歡。
因爲內容有點多，所以小編就把部分知識點拿出來做一個簡單的介紹，每部分知識點都有更加細化的內容。
Hadoop大數據開發案例教程與項目實戰
本篇共11章，分爲基礎篇和提高篇兩部分。基礎篇包括第1~6章，具體包括Hadoop概述、Hadoop基礎環境配置、分佈式存儲HDFS、計算系統MapReduce、計算模型Yarn、數據雲盤。提高篇包括第7~11章，具體包括協調系統Zookeeper、Hadoop 數據庫、Hbase、Hadoop 數據倉庫Hive、Hadoop 數據採集Flume、OTA離線數據分析平臺。全篇內容結構合理，知識點全面，講解詳細，重點難點突出。
Spark大數據集羣計算的生產實踐
本篇涵蓋了開發及維護生產級Spark應用的各種方法、組件與有用實踐。全篇分爲6章，第1~2章幫助讀者深入理解Spark的內部機制以及它們在生產流程中的含義;第3章和第5章闡述了針對配置參數的法則和權衡方案，用來調優Spark，改善性能，獲得高可用性和容錯性;第4章專門討論Spark應用中的安全問題;第6章則全面介紹生產流，以及把一個應用遷移到一個生產工作流中時所需要的各種組件，同時對Spark生態系統進行了梳理。
實時大數據分析基於Storm、Spark技術的實時應用
本篇詳細闡述了實時大數據分析的實現過程，主要包括大數據技術前景及分析平臺，Storm 的熟悉，用Storm處理數據，Trident 概述和Storm性能優化，Kinesis 的熟悉，Spark 的熟悉，使用RDD編程，Spark的SQL查詢引擎，用Spark Streaming分析流數據以及Lambda架構等內容。此外，還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。
Druid實時大數據分析-原理與實踐
Druid作爲一款開源的實時大數據分析軟件，最近幾年快速風靡全球互聯網公司，特別是對於海量數據和實時性要求高的場景，包括廣告數據分析、用戶行爲分析、數據統計分析、運維監控分析等，在騰訊、阿里、優酷、小米等公司都有大量成功應用的案例。本篇的目的就是幫助技術人員更好地深入理解Druid技術、大數據分析技術選型、Druid的安裝和使用、高級特性的使用，也包括一些源代碼的解析， 以及一些常見問題的快速回答。
Druid的生態系統正在不斷擴大和成熟，Druid也正在解決越來越多的業務場景。希望能幫助技術人員做出更好的技術選型，深度瞭解Druid的功能和原理，更好地解決大數據分析問題。適合大數據分析的從業人員、IT人員、互聯網從業者閱讀。
大數據算法
大數據算法是大數據得以有效應用的基礎，也是有志於從事大數據以及相關領域工作必須學習的課程。本篇由從事大數據研究的專家撰寫，系統地介紹了大數據算法設計與分析的理論、方法和技術。本篇共分爲10章，第1章概述大數據算法，第2章介紹時間亞線性算法，第3章介紹空間亞線性算法，第4章概述外存算法，第5章介紹大數據外存查找結構，第6章講授外存圖數據算法，第7章概述MapReduce算法，第8章通過一系列例子講授MapReduce算法，第9章介紹超越MapReduce的算法設計方法，第10章討論衆包算法。
離線和實時大數據開發實戰
內容分爲三篇，共12章。
第一篇爲數據大圖和數據平臺大圖(第1章和第2章),主要站在全局的角度，基於數據、數據技術、數據相關從業者和角色、離線和實時數據平臺架構等給出整體和大圖形式的介紹。
第1章站在數據的全局角度，對數據流程以及流程中涉及的主要數據技術進行介紹,還介紹了主要的數據從業者角色和他們的日常工作內容，使讀者有個感性的認識。
第2章是本書的綱領性章節， 站在數據平臺的角度，對離線和實時數據平臺架構以及相關的各項技術進行介紹。同時給出數據技術的整體骨架，後續的各章將基於此骨架，具體詳述各項技術。
第二篇爲離線數據開發:大數據開發的主戰場(第3~7章),離線數據是目前整個數據開發的根本和基礎，也是目前數據開發的主戰場。這一部分詳細介紹離線數據處理的各種技術。
第3章詳細介紹離線 數據處理的技術基礎Hadoo MapReduce和HDFS。本章主要從執行原理和過程方面介紹此項技術，是第4章和第5章的基礎。
第4章詳細介紹 Hive。Hive 是目前離線數據處理的主要工具和技術。本章主要介紹Hive的概念、原理、架構，並以執行圖解的方式詳細介紹其執行過程和機制。
第5章詳細介紹Hive的優化技術，包括數據傾斜的概念、join無關的優化技巧、join相關的優化技巧，尤其是大表及其join操作可能的優化方案等。
第6章詳細介紹數據的維度建模技術，包括維度建模的各種概念、維度表和事實表的設計以及大數據時代對維度建模的改良和優化等。
第7章主要以虛構的某 全國連鎖零售超市FutureRetailer爲例介紹邏輯數據倉庫的構建，包括數據倉庫的邏輯架構、分層、開發和命名規範等，還介紹了數據湖的新數據架構。
第三篇爲實時數據開發:大數據開發的未來(第8~ 12章),主要介紹實時數據處理的各項技術，包括Storm、Spark Streaming、Flink、 Beam以及流計算SQL等。
第8章詳細介紹分佈式流計算最早流行的Storm技術，包括原生Storm以及衛生的Trident框架。
第9章主要介紹Spark生態的流數據處理解決方案SparkStreaming,包括其基本原理介紹、基本API、可靠性、性能調優、數據傾斜和反壓機制等。
第10章主要介紹流計算技術新 貴Flink技術。Flink 兼顧數據處理的延遲與吞吐量，而且具有流計算框架應該具有的諸多數據特性，因此被廣“泛認可爲下一代的流式處理引擎。
第11章主要介紹Google力推的Beam技術。Beam的設計目標就是統一離線批處理和實時流處理的編程範式，Beam抽象出數據處理的通用處理範式BeamModel,是流計算技術的核心和精華。
第12章主要結合 Flink SQL和阿里雲Stream SQL介紹流計算SQL,並以典型的幾種實時開發場景爲例進行實時數據開發實戰。
機器學習算法大集結
大數據全家桶：Hadoop，Spark，Strom，Druid實戰，機器學習算法，離線和實時大數據開發實戰，大數據算法，機器學習到此就已經整理完畢，希望大家能夠喜歡,大家如果需要這些大數據全家桶技術文檔的話，可以轉發此文關注博主，私信博主“學習”來得到獲取方式吧~~~