A. ELK是用来做什么的

大数据日志分析

B. 大数据技术有哪些

大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、NoSQL数据库、数据仓库、机器学习、并行计算、可视化等各种技术范畴和不同的技术层面。

C. 大数据的课程都有哪些

大数据本身属于交叉学科，涵盖计算机、统计学、数学三个学科内的专业知识。所以大数据容的课程内容，基本上也是围绕着三个学科展开的。
数理统计方面：数学分析、统计学习、高等代数、离散数学、概率与统计等课程是基本配置。
计算机专业课程：数据结构、数据科学、程序设计、算法分析与设计、数据计算智能、数据库系统、计算机系统基础、并行体系结构与编程、非结构化大数据分析等，也是必备课程。
而想要真正找到工作的话，大数据主流技术框架，也要去补充起来，这才是找工作当中能够获得竞争力的加分项。

D. 大数据好吗想转行大数据！

大数据时代是复社会进步的必然结果，给制人们的生活带来了一系列的便利。例如订餐，平台会根据以往的消费记录为用户推荐更适合的美食，节省了用户选择的时间。而在京东淘宝等购物平台上则更加明显，用户搜索为某种商品，平台便会推荐类似的产品。

大数据，是发现规律、检验规律的客观事实。对社会的影响，主要取决于使用大数据的目的，用于造福社会，其影响就好，反之，其影响就不好。

未来十年大数据的发展前景都非常好，目前行业需求大，人才十分缺乏

如今重视数据的机构已经越来越多，上到国防部，下到互联网创业公司、金融机构需要通过大数据项目来做创新驱动，需要数据分析或处理岗位也很多;常见的食品制造、零售电商、医疗制造、交通检测等也需要数据分析与处理，如优化库存，降低成本，预测需求等。对于想要学习大数据的小伙伴，就目前来看。就业情况是非常好的

E. 大神，关于大数据处理方面的书籍有推荐吗

《大数据来处理之道》作者：何金自池
分析比较了当下流行的大数据处理技术的优劣及适用场景，包括Hadoop、Spark、Storm、Dremel、Drill等，详细分析了各种技术的应用场景和优缺点;同时阐述了大数据下的日志分析系统，重点讲解了ELK日志处理方案;最后分析了大数据处理技术的发展趋势，重点从各种技术的起源、设计思想、架构等方面阐述大数据处理之道。

F. 大数据的核心技术有哪些

大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、数据库、数据仓库、机器学习、并行计算、可视化等。

1、数据采集与预处理：

Flume NG实时日志收集系统，支持在日志系统中定制各类数据发送方，用于收集数据；

Zookeeper是一个分布式的，开放源码的分布式应用程序协调服务，提供数据同步服务。

2、数据存储：

Hadoop作为一个开源的框架，专为离线和大规模数据分析而设计，HDFS作为其核心的存储引擎，已被广泛用于数据存储。

HBase，是一个分布式的、面向列的开源数据库，可以认为是hdfs的封装，本质是数据存储、NoSQL数据库。

3、数据清洗：MapRece作为Hadoop的查询引擎，用于大规模数据集的并行计算

4、数据查询分析：

Hive的核心工作就是把SQL语句翻译成MR程序，可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能。

Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

5、数据可视化：对接一些BI平台，将分析得到的数据进行可视化，用于指导决策服务。

G. 大数据方面核心技术有哪些

总的来说大数据有5个部分。数据采集，数据存储，数据清洗，数据挖掘，数据可视化。还有新兴的实时流处理，可能还有别的

H. 大数据分析主要有哪些核心技术

简单说有三大核心技术：拿数据，算数据，卖数据

I. 发现公司里的大数据开发挣得很多，想转行，

您好来：

大数据技术前景我自们是毋庸置疑的，而对于学习更是争先恐后。在这些人中，不乏有已经在IT圈混迹好几年的程序员，自然也有初出茅庐的零基础小白。说实话，大数据不比编程学习，还是需要一定的基础的，时间起码需要半年左右。
想要成为一个优秀的大数据人才并不容易，你不仅需要系统的学习理论知识，熟练掌握技能技巧，还需要具备一定的开发经验，而这些仅靠自学是远远不够的，比较好的方式就是参加专业学习。希望可以帮到你。

J. 大数据包括哪些

大数据技术庞大复杂，基础的技术包含数据的采集、数据预处理、分布式存回储、NoSQL数据库答、数据仓库、机器学习、并行计算、可视化等各种技术范畴和不同的技术层面。
大数据主要技术组件：Hadoop、HBase、kafka、Hive、MongoDB、Redis、Spark 、Storm、Flink等。
大数据技术包括数据采集，数据管理，数据分析，数据可视化，数据安全等内容。数据的采集包括传感器采集，系统日志采集以及网络爬虫等。数据管理包括传统的数据库技术，nosql技术，以及对于针对大规模数据的大数据平台，例如hadoop，spark，storm等。数据分析的核心是机器学习，当然也包括深度学习和强化学习，以及自然语言处理，图与网络分析等。