看大牛们说大数据 –- 《海量数据分析前沿》读后感

　　一本姗姗来迟但未过时的好书 两个月前（2015年5月），清华大学出版社出版了由华东师大周傲英教授及其团队翻译的《海量数据分析前沿》. （ Frontiers in Massive Data analysis），此书由美国国家学术院研究委员会组编，2013年年底出版。中译本出晚了一点，但值得一读。　　

　　“大数据“已由热词升级为熟词  “Big Data” 在2012年成为美国社会中仅次于 "fiscal cliff（财政悬崖）"的第二热词; 在中国的升温来得晚一些，2014年在中国的网络热词中，名列第三，前两名是  “改革”和”并购”（可见，政治、经济之后才是技术）。

   到2015年，大数据一词不只是由温而热，而是由热而“熟”，成了人们熟练使用，用来分析其他热词的工具词。例如，人们见到了如下的文章 《“大数据分析两会热词：’四个全面’，’互联网+”》，《大数据说春运》，《大数据和….> 。

　　近两年，在数据处理圈子内外，过去做数据的，和过去不做数据的，都言必称大数据，以至于有人担心，已经够热了，再加热就煮烂（滥）了。

　　在鱼龙混杂的时候，人们要问，这一领域的大牛们是怎样说大数据的？　　　

　　 信息时代选书看作者  我和我的同学这一代，经历过信息饥渴的年代，那时候八亿人看八个样板戏，年轻人渴书，朋友交流最好方式就是借书，说书，甚至抄书（参见博文《看蜀韵、闻书香、遥想当年手抄本-- 书博会有感（图&文） 。

　　如今，海量信息时代，人们发愁的不再是找不到书，而是如何从书山文海中挑选适读材料。正如选影视时看导演、编剧和演员，选书的方法之一，是选作者群，选出版社。

　　《海量数据分析前沿》一书的作者群和编审群有多牛？ 留一点悬念，也给一点线索：七十多位国际顶级专家参加了对此书撰写和编审工作，他们来自 UC 伯克利，卡内基梅隆，耶鲁大学，密西根大学斯坦福大学，MIT，谷歌，美国喷气推进实验室，国防分析研究所，….

　　读者在书中，会看到三页篇幅列出的名单，是对此书撰写、编审做出贡献的三个委员会（海量数据分析委员会、应用和理论统计委员会，数学科学应用委员会）的人员名单。有人说，学术新兵要进入一个领域，就要知道这个领域的牛人，这算是阅读的附加收获吧。　　

　　大数据和海量数据的关系：前些年，海量数据一词是数据处理领域常说常听的词汇，如今人们,都说大数据了，虽然深者见深，浅者见浅，都更时髦了，大数据和海量数据两个概念到底有什么关系？

　　此书译者序中有一句话，“按这本书的观点，大数据的本质是海量数据分析“。

   笔者想把把这句话进一步展开，“大数据”是比海量数据更广义的概念，大数据中包括两部分，（1）对象部分-海量数据是被处理的对象；（2）工具部分--分析处理海量数据的工具，方法，算法和过程。　　

　　用面向对象编程作比喻 为不落俗套地把大数据与海量数据的关系理清，同时介绍此书的主要章节的内容，杜撰了一个面向对象编程中的对象例子。

　　面向对象编程是计算机专业大一学生的必修课，近两年，在成都中学生科技竞赛上，笔者见到，一些中学生，也能熟练运用JAVA，C++，写出很有创意的移动应用，有iPhone的，也有安卓的。这些 聪明的中学生不但能写程序，还能谈思想，经得起诘难，通得过答辩，说明面向对象编程技术已经比较普及，不算高深科技了。

　　面向对象编程中的对象有两个基本要素：

  （1） 成员属性（以智能汽车为例， 品牌，动力类型，功率，缸容，缸容，时速，…..是成员属性）

  （2） 成员方法（以智能汽车为例， 启动，制动，转弯，后退，换挡，...,是成员方法或成员函数，它们有行为的内涵或动作的外延，能改变对象状态，编程中，通过函数或过程调用实现）。

   当然还有一些特性，如封装，继承和重载。

  下面是杜撰的一个抽象对象BigData: 其中，按编程惯例，在双反斜杠符号//后面的是注释。 　　　　

　　BigData   //大数据

　　    {  //成员属性 部分：

　　　　　　海量数据源 ； //见该书第2章 海量数据来源

　　　　　　海量数据特征; //见该书第3章 大、多、快、疏等4个V的数据

　　　　　　大数据表示;   //见该书第5章　

         　……      

　　     //第二部分，成员函数，处理大数据的方法，算法，函数，过程

　          建模 (频率学，贝叶斯，无监督学习，可视化，众包) //见该书第7章

　　　　　　采样;/见该书/第8章

　　　　　　七个计算巨人（统计，N-提问题，图论计算，

　　　　　　　　　　　　线性代数，优化，积分，对齐等） //见该书第10章

　　       …….

　　    }

   相信读完该书，大多数读者会觉得中译本看起来还是要快一些，成本（包括时间和经费）都低一些。　　

　　还是有一点遗憾 由于各种原因，中译本在两个月前才出版，比期待时间晚了一年多，不能说不是遗憾。

　　计算机科学的知识，日新月异。一年，在计算机界能发生什么事？很可能，芯片性能增加50%以上，数据量增加50%以上，一年前的计算冠军（算法或硬件），可能已经沦落为小三了。

   幸好，这是一本说原则，说思想，说框架的书，高屋建瓴，反而不容易过时。

   读完之后，如果觉得从牛人们那里学到了一招两招，祝贺你开卷有益 ；

   如果你发现你的见解已经超过、或部分超过了这本书，恭喜你，你的水平至多比牛人们晚一年，或者，已经站在了大数据研究前沿。

   总之，正如译者序中所说，这本书，来迟到了 ，还没有过时，值得一读。　

相关博文 

 数据库界的四位图灵奖得主系列博文 

 趣味数据挖掘系列 

       其它系列博文的入口    唐常杰博客主页    科学博客主页