數據流架構與編譯
⑴ 大數據分析一般用什麼工具分析
大數據分析是一個含義廣泛的術語，是指數據集，如此龐大而復雜的，他們需要專門設計的硬體和軟體工具進行處理。該數據集通常是萬億或EB的大小。這些數據集收集自各種各樣的來源：和梁感測器，氣候信息，公開的信息，如雜志，報紙，文章。大數據分析產生的其他例子包括購買交易記錄，網路日誌，病歷，軍事監控，視頻和圖像檔案，及大型電子商務。
大數據分析，他們對企業的影響有一個興趣高漲。大數據分析是研究大量的數據的過程中尋找模式，相關性和其他有用的信息，可以幫助企業更好地適應變化，並做出更明智的決策。
一、Hadoop
Hadoop是一個開源框架，它允許在整個集群使用簡單編程模型計算機的分布式環境存儲並處理大數據。它的目的是從單一的伺服器到上千台機器的擴展，每一個台機都可以提供本地計算和存儲。
Hadoop 是一個能夠對大量數據進行分布式處理的軟體框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進行處理的。Hadoop
是可靠的，即使計算元素和存儲會失敗，它維護多個工作數據副本，確保能夠針對失敗的節點重新分布處理。Hadoop是高效的，它採用並行的方式工作，通過並行處理加快處理速度。Hadoop
還是可伸縮的，能夠處理 PB 級數據。此外，Hadoop 依賴於社區伺服器，因此它的成本比較低，任何人都可以使用。
Pentaho BI 平台，Pentaho Open BI
套件的核心架構和基礎，是以流程為中心的，因為其中樞控制器是一個工作流引擎。工作流引擎使用流程定義來定義在BI
平台上執行的商業智能流程。流程可以很容易的被定製，也可以添加新的流程。BI
平台包含組件和報表，用以分析這些流程的性能。目前，Pentaho的主要組成元素包括報表生成、分析、數據挖掘和工作流管理等等。這些組件通過
J2EE、WebService、SOAP、HTTP、Java、JavaScript、Portals等技術集成到Pentaho平台中來。
Pentaho的發行，主要以Pentaho SDK的形式進行。
Pentaho
SDK共包含五個部分：Pentaho平台、Pentaho示例資料庫、可獨立運行的Pentaho平台、Pentaho解決方案示例和一個預先配製好的
Pentaho網路伺服器。其中Pentaho平台是Pentaho平台最主要的部分，囊括了Pentaho平台源代碼的主體;Pentaho資料庫為
Pentaho平台的正常運行提供的數據服務，包括配置信息、Solution相關的信息等等，對於Pentaho平台來說它不是必須的，通過配置是可以用其它資料庫服務取代的;可獨立運行的Pentaho平台是Pentaho平台的獨立運行模式的示例，它演示了如何使Pentaho平台在沒有應用伺服器支持的情況下獨立運行;
Pentaho解決方案示例是一個Eclipse工程，用來演示如何為Pentaho平台開發相關的商業智能解決方案。
Pentaho BI 平台構建於伺服器，引擎和組件的基礎之上。這些提供了系統的J2EE
伺服器，安全，portal，工作流，規則引擎，圖表，協作，內容管理，數據集成，分析和建模功能。這些組件的大部分是基於標準的，可使用其他產品替換之。
七、Druid
Druid是實時數據分析存儲系統，Java語言中最好的資料庫連接池。Druid能夠提供強大的監控和擴展功能。
八、Ambari
大數據平台搭建、監控利器;類似的還有CDH
1、提供Hadoop集群
Ambari為在任意數量的主機上安裝Hadoop服務提供了一個逐步向導。
Ambari處理集群Hadoop服務的配置。
2、管理Hadoop集群
Ambari為整個集群提供啟動、停止和重新配置Hadoop服務的中央管理。
3、監視Hadoop集群
Ambari為監視Hadoop集群的健康狀況和狀態提供了一個儀錶板。
九、Spark
大規模數據處理框架(可以應付企業中常見的三種數據處理場景：復雜的批量數據處理(batch data
processing);基於歷史數據的互動式查詢;基於實時數據流的數據處理，Ceph:Linux分布式文件系統。
十、Tableau Public
1、什麼是Tableau Public - 大數據分析工具
這是一個簡單直觀的工具。因為它通過數據可視化提供了有趣的見解。Tableau
Public的百萬行限制。因為它比數據分析市場中的大多數其他玩家更容易使用票價。使用Tableau的視覺效果，您可以調查一個假設。此外，瀏覽數據，並交叉核對您的見解。
2、Tableau Public的使用
您可以免費將互動式數據可視化發布到Web;無需編程技能;發布到Tableau
Public的可視化可以嵌入到博客中。此外，還可以通過電子郵件或社交媒體分享網頁。共享的內容可以進行有效硫的下載。這使其成為最佳的大數據分析工具。
3、Tableau Public的限制
所有數據都是公開的，並且限制訪問的范圍很小;數據大小限制;無法連接到[R ;讀取的唯一方法是通過OData源，是Excel或txt。
十一、OpenRefine
1、什麼是OpenRefine - 數據分析工具
以前稱為GoogleRefine的數據清理軟體。因為它可以幫助您清理數據以進行分析。它對一行數據進行操作。此外，將列放在列下，與關系資料庫表非常相似。
2、OpenRefine的使用
清理凌亂的數據;數據轉換;從網站解析數據;通過從Web服務獲取數據將數據添加到數據集。例如，OpenRefine可用於將地址地理編碼到地理坐標。
3、OpenRefine的局限性
Open Refine不適用於大型數據集;精煉對大數據不起作用
十二、KNIME
1、什麼是KNIME - 數據分析工具
KNIME通過可視化編程幫助您操作，分析和建模數據。它用於集成各種組件，用於數據挖掘和機器學習。
2、KNIME的用途
不要寫代碼塊。相反，您必須在活動之間刪除和拖動連接點;該數據分析工具支持編程語言;事實上，分析工具，例如可擴展運行化學數據，文本挖掘，蟒蛇，和[R
。
3、KNIME的限制
數據可視化不佳
十三、Google Fusion Tables
1、什麼是Google Fusion Tables
對於數據工具，我們有更酷，更大版本的Google Spreadsheets。一個令人難以置信的數據分析，映射和大型數據集可視化工具。此外，Google
Fusion Tables可以添加到業務分析工具列表中。這也是最好的大數據分析工具之一。
2、使用Google Fusion Tables
在線可視化更大的表格數據;跨越數十萬行進行過濾和總結;將表與Web上的其他數據組合在一起;您可以合並兩個或三個表以生成包含數據集的單個可視化;
3、Google Fusion Tables的限制
表中只有前100,000行數據包含在查詢結果中或已映射;在一次API調用中發送的數據總大小不能超過1MB。
十四、NodeXL
1、什麼是NodeXL
它是關系和網路的可視化和分析軟體。NodeXL提供精確的計算。它是一個免費的(不是專業的)和開源網路分析和可視化軟體。NodeXL是用於數據分析的最佳統計工具之一。其中包括高級網路指標。此外，訪問社交媒體網路數據導入程序和自動化。
2、NodeXL的用途
這是Excel中的一種數據分析工具，可幫助實現以下方面：
數據導入;圖形可視化;圖形分析;數據表示;該軟體集成到Microsoft Excel
2007,2010,2013和2016中。它作為工作簿打開，包含各種包含圖形結構元素的工作表。這就像節點和邊緣;該軟體可以導入各種圖形格式。這種鄰接矩陣，Pajek
.net，UCINet .dl，GraphML和邊緣列表。
3、NodeXL的局限性
您需要為特定問題使用多個種子術語;在稍微不同的時間運行數據提取。
十五、Wolfram Alpha
1、什麼是Wolfram Alpha
它是Stephen Wolfram創建的計算知識引擎或應答引擎。
2、Wolfram Alpha的使用
是Apple的Siri的附加組件;提供技術搜索的詳細響應並解決微積分問題;幫助業務用戶獲取信息圖表和圖形。並有助於創建主題概述，商品信息和高級定價歷史記錄。
3、Wolfram Alpha的局限性
Wolfram Alpha只能處理公開數字和事實，而不能處理觀點;它限制了每個查詢的計算時間;這些數據分析統計工具有何疑問?
十六、Google搜索運營商
1、什麼是Google搜索運營商
它是一種強大的資源，可幫助您過濾Google結果。這立即得到最相關和有用的信息。
2、Google搜索運算符的使用
更快速地過濾Google搜索結果;Google強大的數據分析工具可以幫助發現新信息。
十七、Excel解算器
1、什麼是Excel解算器
Solver載入項是Microsoft Office Excel載入項程序。此外，它在您安裝Microsoft
Excel或Office時可用。它是excel中的線性編程和優化工具。這允許您設置約束。它是一種先進的優化工具，有助於快速解決問題。
2、求解器的使用
Solver找到的最終值是相互關系和決策的解決方案;它採用了多種方法，來自非線性優化。還有線性規劃到進化演算法和遺傳演算法，以找到解決方案。
3、求解器的局限性
不良擴展是Excel Solver缺乏的領域之一;它會影響解決方案的時間和質量;求解器會影響模型的內在可解性;
十八、Dataiku DSS
1、什麼是Dataiku DSS
這是一個協作數據科學軟體平台。此外，它還有助於團隊構建，原型和探索。雖然，它可以更有效地提供自己的數據產品。
2、Dataiku DSS的使用
Dataiku DSS - 數據分析工具提供互動式可視化界面。因此，他們可以構建，單擊，指向或使用SQL等語言。
3、Dataiku DSS的局限性
有限的可視化功能;UI障礙：重新載入代碼/數據集;無法輕松地將整個代碼編譯到單個文檔/筆記本中;仍然需要與SPARK集成
以上的工具只是大數據分析所用的部分工具，小編就不一一列舉了，下面把部分工具的用途進行分類：
1、前端展現
用於展現分析的前端開源工具有JasperSoft，Pentaho, Spagobi, Openi, Birt等等。
用於展現分析商用分析工具有Style Intelligence、RapidMiner Radoop、Cognos, BO, Microsoft
Power BI, Oracle,Microstrategy,QlikView、 Tableau 。
國內的有BDP，國雲數據(大數據分析魔鏡)，思邁特，FineBI等等。
2、數據倉庫
有Teradata AsterData, EMC GreenPlum, HP Vertica 等等。
3、數據集市
有QlikView、 Tableau 、Style Intelligence等等。
⑵ 急！！！！急！！！！！！！！！急！！！！！計算機體系結構這門課所解決的問題以及解決的方法在線等
計算機體系結構（ComputerArchitecture）是程序員所看到的計算機的屬性，即概念性結構與功能特性。按照計算機系統的多級層次結構，不同級程序員所看到的計算機具有不同的屬性。一般來說，低級機器的屬性對於高層機器程序員基本是透明的，通常所說的計算機體系結構主要指機器語言級機器的系統結構。經典的關於「計算機體系結構（computerarchitecture）」的定義是1964年C.M.Amdahl在介紹IBM360系統時提出的，其具體描述為「計算機體系結構是程序員所看到的計算機的屬性，即概念性結構與功能特性」
基本概念
計算機體系結構就是指適當地組織在一起的一系列系統元素的集合，這些系統元素互相配合、相互協作，通過對信息的處理而完成預先定義的目標。通常包含的系統元素有：計算機軟體、計算機硬體、人員、資料庫、文檔和過程。其中，軟體是程序、數據結構和相關文檔的集合，用於實現所需要的邏輯方法、過程或控制；硬體是提供計算能力的電子設備和提供外部世界功能的電子機械設備(例如感測器、馬達、水泵等)；人員是硬體和軟體的用戶和操作者；資料庫是通過軟體訪問的大型的、有組織的信息集合；文檔是描述系統使用方法的手冊、表格、圖形及其他描述性信息；過程是一系列步驟，它們定義了每個系統元素的特定使用方法或系統駐留的過程性語境。 計算機體系結構
8種屬性
1•機內數據表示：硬體能直接辨識和操作的數據類型和格式 計算機體系結構
2•定址方式：最小可定址單位、定址方式的種類、地址運算 3•寄存器組織：操作寄存器、變址寄存器、控制寄存器及專用寄存器的定義、數量和使用規則 4•指令系統：機器指令的操作類型、格式、指令間排序和控制機構 5•存儲系統：最小編址單位、編址方式、主存容量、最大可編址空間 6•中斷機構：中斷類型、中斷級別，以及中斷響應方式等 7•輸入輸出結構：輸入輸出的連接方式、處理機/存儲器與輸入輸出設備間的數據交換方式、數據交換過程的控制 8•信息保護：信息保護方式、硬體信息保護機制。
編輯本段發展歷程
計算機系統已經經歷了四個不同的發展階段。 計算機體系結構
第一階段
60年代中期以前，是計算機系統發展的早期時代。在這個時期通用硬體已經相當普遍，軟體卻是為每個具體應用而專門編寫的，大多數人認為軟體開發是無需預先計劃的事情。這時的軟體實際上就是規模較小的程序，程序的編寫者和使用者往往是同一個(或同一組)人。由於規模小，程序編寫起來相當容易，也沒有什麼系統化的方法，對軟體開發工作更沒有進行任何管理。這種個體化的軟體環境，使得軟體設計往往只是在人們頭腦中隱含進行的一個模糊過程，除了程序清單之外，根本沒有其他文檔資料保存下來。
第二階段
從60年代中期到70年代中期，是計算機系統發展的第二代。在這10年中計算機技術有了很大進步。多道程序、多用戶系統引入了人機交互的新概念，開創了計算機應用的新境界，使硬體和軟體的配合上了一個新的層次。實時系統能夠從多個信息源收集、分析和轉換數據，從而使得進程式控制制能以毫秒而不是分鍾來進行。在線存儲技術的進步導致了第一代資料庫管理系統的出現。計算機系統發展的第二代的一個重要特徵是出現了「軟體作坊」，廣泛使用產品軟體。但是，「軟體作坊」基本上仍然沿用早期形成的個體化軟體開發方法。隨著計算機應用的日益普及，軟體數量急劇膨脹。在程序運行時發現的錯誤必須設法改正；用戶有了新的需求時必須相應地修改程序；硬體或操作系統更新時，通常需要修改程序以適應新的環境。上述種種軟體維護工作，以令人吃驚的比例耗費資源。更嚴重的是，許多程序的個體化特性使得它們最終成為不可維護的。「軟體危機」就這樣開始出現了。1968年北大西洋公約組織的計算機科學家在聯邦德國召開國際會議，討論軟體危機課題，在這次會議上正式提出並使用了「軟體工程」這個名詞，一門新興的工程學科就此誕生了。
第三階段
計算機系統發展的第三代從20世紀70年代中期開始，並且跨越了整整10年。在這10年中計算機技術又有了很大進步。分布式系統極大地增加亍計算機系統的復雜性，區域網、廣域網、寬頻數字通信以及對「即時」數據訪問需求的增加，都對軟體開發者提出了更高的要求。但是，在這個時期軟體仍然主要在工業界和學術界應用，個人應用還很少。這個時期的主要特點是出現了微處理器，而且微處理器獲得了廣泛應用。以微處理器為核心的「智能」產品隨處可見，當然，最重要的智能產品是個人計算機。在不到10年的時間里，個人計算機已經成為大眾化的商品。 在計算機系統發展的第四代已經不再看重單台計算機和程序，人們感受到的是硬體和軟體的綜合效果。由復雜操作系統控制的強大的桌面機及區域網和廣域網，與先進的應用軟體相配合，已經成為當前的主流。計算機體系結構已迅速地從集中的主機環境轉變成分布的客戶機／伺服器(或瀏覽器／伺服器)環境。世界范圍的信息網為人們進行廣泛交流和資源的充分共享提供了條件。軟體產業在世界經濟中已經佔有舉足輕重的地位。隨著時代的前進，新的技術也不斷地涌現出來。面向對象技術已經在許多領域迅速地取代了傳統的軟體開發方法。
總結
軟體開發的「第四代技術」改變了軟體界開發計算機程序的方式。專家系統和人工智慧軟體終於從實驗室中走出來進入了實際應用，解決了大量實際問題。應用模糊邏輯的人工神經網路軟體，展現了模式識別與擬人信息處理的美好前景。虛擬現實技術與多媒體系統，使得與用戶的通信可以採用和以前完全不同的方法。遺傳演算法使我們有可能開發出駐留在大型並行生物計算機上的軟體。
編輯本段基本原理
計算機體系結構解決的是計算機系統在總體上、功能上需要解決的問題，它和計算機組成、計算機實現是不同的概念。一種體系結構可能有多種組成，一種組成也可能有多種物理實現。 計算機體系結構
計算機系統結構的邏輯實現，包括機器內部數據流和控制流的組成以及邏輯設計等。其目標是合理地把各種部件、設備組成計算機，以實現特定的系統結構，同時滿足所希望達到的性能價格比。一般而言，計算機組成研究的范圍包括：確定數據通路的寬度、確定各種操作對功能部件的共享程度、確定專用的功能部件、確定功能部件的並行度、設計緩沖和排隊策略、設計控制機構和確定採用何種可靠技術等。計算機組成的物理實現。包括處理機、主存等部件的物理結構，器件的集成度和速度，器件、模塊、插件、底板的劃分與連接，專用器件的設計，信號傳輸技術，電源、冷卻及裝配等技術以及相關的製造工藝和技術。
編輯本段分類
Flynn分類法
1966年，Michael.J.Flynn提出根據指令流、數據流的多倍性（multiplicity）特徵對計算機系統進行分類，定義如下。 •指令流：機器執行的指令序列 計算機體系結構
•數據流：由指令流調用的數據序列，包括輸入數據和中間結果 •多倍性：在系統性能瓶頸部件上同時處於同一執行階段的指令或數據的最大可能個數。 Flynn根據不同的指令流-數據流組織方式把計算機系統分為4類。 1•單指令流單數據流（，SISD） SISD其實就是傳統的順序執行的單處理器計算機，其指令部件每次只對一條指令進行解碼，並只對一個操作部件分配數據。 2•單指令流多數據流（，SIMD） SIMD以並行處理機為代表，結構如圖，並行處理機包括多個重復的處理單元PU1～PUn，由單一指令部件控制，按照同一指令流的要求為它們分配各自所需的不同的數據。 3•多指令流單數據流（，MISD） MISD的結構，它具有n個處理單元，按n條不同指令的要求對同一數據流及其中間結果進行不同的處理。一個處理單元的輸出又作為另一個處理單元的輸入。 4•多指令流多數據流（，MIMD） MIMD的結構，它是指能實現作業、任務、指令等各級全面並行的多機系統，多處理機就屬於MIMD。（2）
馮式分類法
1972年馮澤雲提出用最大並行度來對計算機體系結構進行分類。所謂最大並行度Pm是指計算機系統在單位時間內能夠處理的最大的二進制位數。設每一個時鍾周期△ti內能處理的二進制位數為Pi，則T個時鍾周期內平均並行度為Pa=(∑Pi)／T(其中i為1，2，…，T)。平均並行度取決於系統的運行程度，與應用程序無關，所以，系統在周期T內的平均利用率為μ=Pa/Pm=(∑Pi)/(T*Pm)。用最大並行度對計算機體系結構進行的分類。用平面直角坐標系中的一點表示一個計算機系統，橫坐標表示字寬(N位)，即在一個字中同時處理的二進制位數；縱坐標表示位片寬度(M位)，即在一個位片中能同時處理的字數，則最大並行度Pm=N*M。 由此得出四種不同的計算機結構： ①字串列、位串列(簡稱WSBS)。其中N＝1，M＝1。 ②字並行、位串列(簡稱WPBS)。其中N＝1，M>1。 ③字串列、位並行(簡稱WSBP)。其中N>1，M＝1。 ④字並行、位並行(簡稱WPBP)。其中N>1，M>1。
編輯本段技術革新
計算機體系結構以圖靈機理論為基礎，屬於馮•諾依曼體系結構。本質上，圖靈機理論和馮•諾依曼體系結構是一維串列的，而多核處理器則屬於分布式離散的並行結構，需要解決二者的不匹配問題。 首先，串列的圖靈機模型和物理上分布實現的多核處理器的匹配問題。圖靈機模型意味著串列的編程模型。串列程序很難利用物理上分布實現的多個處理器核獲得性能加速.與此同時,並行編程模型並沒有獲得很好的推廣，僅僅局限在科學計算等有限的領域.研究者應該尋求合適的機制來實現串列的圖靈機模型和物理上分布實現的多核處理器的匹配問題或縮小二者之間的差距，解決「並行程序編程困難，串列程序加速小」的問題。 計算機體系結構
在支持多線程並行應用方面，未來多核處理器應該從如下兩個方向加以考慮。第一是引入新的能夠更好的能夠表示並行性的編程模型。由於新的編程模型支持編程者明確表示程序的並行性，因此可以極大的提升性能。比如Cell處理器提供不同的編程模型用於支持不同的應用。其難點在於如何有效推廣該編程模型以及如何解決兼容性的問題。第二類方向是提供更好的硬體支持以減少並行編程的復雜性。並行程序往往需要利用鎖機制實現對臨界資源的同步、互斥操作，編程者必須慎重確定加鎖的位置，因為保守的加鎖策略限制了程序的性能，而精確的加鎖策略大大增加了編程的復雜度。一些研究在此方面做了有效的探索。比如，SpeculativeLockElision機制允許在沒有沖突的情況下忽略程序執行的鎖操作，因而在降低編程復雜度的同時兼顧了並行程序執行的性能。這樣的機制使得編程者集中精力考慮程序的正確性問題，而無須過多地考慮程序的執行性能。更激進的，(TCC)機制以多個訪存操作（Transaction）為單位考慮數據一致性問題，進一步簡化了並行編程的復雜度。 主流的商業多核處理器主要針對並行應用，如何利用多核加速串列程序仍然是一個值得關注的問題。其關鍵技術在於利用軟體或硬體自動地從串新程序中派生出能夠在多核處理器上並行執行的代碼或線程。多核加速串列程序主要有三種方法，包括並行編譯器、推測多線程以及基於線程的預取機制等。在傳統並行編譯中，編譯器需要花費很大的精力來保證擬劃分線程之間不存在數據依賴關系。編譯時存在大量模糊依賴，尤其是在允許使用指針（如C程序）的情況下，編譯器不得不採用保守策略來保證程序執行的正確性。這大大限制了串列程序可以挖掘的並發程度，也決定了並行編譯器只能在狹窄范圍使用。為解決這些問題，人們提出推測多線程以及基於線程的預取機制等。然而，從這種概念提出到現在為止，這個方向的研究大部分局限於學術界，僅有個別商業化處理器應用了這種技術，並且僅僅局限於特殊的應用領域。我們認為動態優化技術和推測多線程（包括基於線程的預取機制）的結合是未來的可能發展趨勢。 馮•諾依曼體系結構的一維地址空間和多核處理器的多維訪存層次的匹配問題。本質上，馮•諾依曼體系結構採用了一維地址空間。由於不均勻的數據訪問延遲和同一數據在多個處理器核上的不同拷貝導致了數據一致性問題。該領域的研究分為兩大類：一類研究主要是引入新的訪存層次。新的訪存層次可能採用一維分布式實現方式。典型的例子是增加分布式統一編址的寄存器網路。全局統一編址的特性避免了數據一致性地考慮。同時，相比於傳統的大容量cache訪問，寄存器又能提供更快的訪問速度。TRIPS和RAW都有實現了類似得寄存器網路。令另外，新的訪存層次也可以是私有的形式。比如每個處理器和都有自己私有的訪存空間。其好處是更好的劃分了數據存儲空間，已洗局部私有數據沒有必要考慮數據一致性問題。比如Cell處理器為每個SPE核設置了私有的數據緩沖區。另一類研究主要涉及研製新的cache一致性協議。其重要趨勢是放鬆正確性和性能的關系。比如推測Cache協議在數據一致性未得到確認之前就推測執行相關指令，從而減少了長遲訪存操作對流水線的影響。此外，TokenCoherence和TCC也採用了類似的思想。程序的多樣性和單一的體系結構的匹配問題。未來的應用展現出多樣性的特點。一方面，處理器的評估不僅僅局限於性能，也包括可靠性，安全性等其他指標。另一方面，即便考慮僅僅追求性能的提高，不同的應用程序也蘊含了不同層次的並行性。應用的多樣性驅使未來的處理器具有可配置、靈活的體系結構。TRIPS在這方面作了富有成效的探索，比如其處理器核和片上存儲系統均有可配置的能力，從而使得TRIPS能夠同時挖掘指令級並行性、數據級並行性及指令級並行性。 多核和Cell等新型處理結構的出現不僅是處理器架構歷史上具有里程碑式的事件，對傳統以來的計算模式和計算機體系架構也是一種顛覆 2005年，一系列具有深遠影響的計算機體系結構被曝光，有可能為未來十年的計算機體系結構奠定根本性的基礎，至少為處理器乃至整個計算機體系結構做出了象徵性指引。隨著計算密度的提高，處理器和計算機性能的衡量標准和方式在發生變化，從應用的角度講，講究移動和偏向性能兩者已經找到了最令人滿意的結合點，並且有可能引爆手持設備的急劇膨脹。盡管現在手持設備也相對普及，在計算能力、可擴展性以及能耗上，完全起步到一台手持設備應該具備的作用；另一方面，講究性能的伺服器端和桌面端，開始考慮減少電力消耗趕上節約型社會的大潮流。 Cell本身適應這種變化，同樣也是它自己創造了這種變化。因而從它開始就強調了不一樣的設計風格，除了能夠很好地進行多倍擴展外，處理器內部的SPU(SynergisticProcessorUnit協同處理單元)具有很好的擴展性，因而可以同時面對通用和專用的處理，實現處理資源的靈活重構。也就意味著，通過適當的軟體控制，Cell能應付多種類型的處理任務，同時還能夠精簡設計的復雜。
⑶ 著名計算機科學家高光榮享年76歲逝世
著名計算機科學家高光榮享年76歲逝世
著名計算機科學家高光榮享年76歲逝世，著名計算機科學家、數據流體系結構領域的先驅人物、美國特拉華大學電子與計算機工程系終身教授高光榮逝世，享年76歲。他是中國在MIT的第一位計算機博士
著名計算機科學家高光榮享年76歲逝世1
剛剛，新智元獲悉，傑出的華人科學家、美國特拉華大學電子與計算機工程系終身教授、數據流體系結構的先驅人物高光榮逝世，享年76歲。
高光榮，1945年生，1968年畢業於清華大學電機系，獲學士學位。分別於 1982 年和 1986 年獲得麻省理工學院計算機科學碩士、博士學位，是中國在MIT的第一位計算機博士。
高光榮生前任特拉華大學紐瓦克分校名譽教授，計算機體系結構與並行系統實驗室 (CAPSL) 的創始主任、清華大學特聘客座教授和中國幾所頂尖大學的客座教授。
他的研究領域包括：高性能計算和數據流模型、計算機體系結構和系統、編譯器技術和運行時系統、數據流模型下的程序分析、映射和優化。
高光榮2007年當選為IEEE Fellow 和ACM Fellow。2017年獲得「羅摩克里希納·勞獎」，以表彰他在「指令級並行和數據級並行編譯技術以及微架構研究領域的卓越貢獻」。他是來自中國大陸第一位獲得該獎項的科學家。
生前發表300多篇論文，在同行評審國際會議和研討會中獲得多項最佳論文獎。他發起成立了多項頂級國際會議和研討會，並在大量著名的國際會議和研討會上（如 HPCA、MICRO、PACT、PLDI、PPoPP、SC、CF、 ICS、IPDPS、MICRO、EuroPar、CASES等）擔任會員，並擔任多個國際期刊的編委。
高光榮培養了博士生30餘人，指導博士後20餘人。他們中的許多人有的進入世界各地的大學任教，有的成為創業公司的創始人。其中美團創始人王興，就是高光榮的學生之一。王興2005年獲美國特拉華大學計算機工程碩士學位。讀高光榮的博士，沒讀完就回國創業。
各方悼念 華中科技大學發來唁電
不幸的消息傳來，業內不少專家學者第一時間紛紛通過社交媒體悼念高光榮教授。
華為操作系統首席科學家、中央軟體院副總裁、OS內核實驗室主任陳海波表示：
早上起床就看到這個悲痛的消息。高先生是新中國成立後MIT的第一位來自中國的計算機博士，一直致力於計算機體系結構和編譯器的研究，培養了大批計算機人才。
高先生也長期致力於我國體系結構與編譯器技術的提升，多次和我說要一起多為我國體系結構與編譯器領域多做貢獻，2018年還專程回國組織了專題論壇，並主持了「人工智慧和大數據應用對計算機系統的挑戰」。聽說高先生昨天還是操勞ICPP 50周年的事情。
沉痛悼念高老師！高老師千古！
CCF傑出會員、中國科學院計算技術研究所研究員韓銀河表示：
沉痛悼念高光榮老師。高老師是數據流體系結構的先驅，影響了計算機體系結構、編譯器等多個領域。高老師非常關注國內的計算機體系結構方向的發展，組織過很多課程和討論會，為中國的很多年輕體系結構學者指明了奮斗的方向。
高老師千古。
原華中科技大學計算機學院金海教授表示：
沉痛悼念世界級的計算機科學家、華中科技大學傑出校友、CCF海外傑出貢獻獎獲得者高光榮老師！高老師是MIT計算機專業畢業的我國第一位博士，是我在數據流研究領域的引路人，我目前承擔的國家自然科學基金委數據流重點基金就是在高老師的指導下獲得的，我們目前的圖計算機研發思路也是遵循高老師的數據流思想進行設計的。先生風范，高山仰止！高老師，我們永遠懷念您！
加州大學聖芭芭拉分校教授，IEEE Fellow謝源教授表示：
華中科技大學也發來唁電，深切緬懷這位傑出校友。
中國計算機學會（CCF）網站稱，高光榮教授作為傑出的華人學者，始終心繫中國計算機領域的發展，以其優異的學術造詣、廣泛的'國際影響力在人才培養，重大科研攻關中發揮著至關重要的作用，為我國計算機的發展，特別是在系統結構，高性能計算等領域爭搶、保持國際先進水平做出了傑出貢獻。
認為數據流與AI存在「天然聯系」，未來將迎來「中國主導」
高光榮認為，數據流與AI之前存在「天然聯系」。
此前，在2017年接受媒體采訪時，他曾表示，在計算機體系結構的設計中，誕生過很多種想法，但數據流是「活得最長、最有生命力的」。而由於數據流與AI之間的「天然聯系」，他也更看好數據流的前景。
歷史上人工智慧的低潮，與數據流的低潮幾乎是一致的。而人工智慧計算往往是「不規則的」或「非既定的」，這也與數據流善於並行處理不規則的事情的特點非常相像。
高光榮認為，就像人腦一樣，計算機數據流的思想強調『並行』和『不規則計算』，從這個角度上來講，數據流思想或將對未來AI發展帶來長足的支持。」
眼下AI如火如荼、熱火朝天，數據流也有望再次「回春」。在國力強大的大環境下，中國多年來在人才吸引和培養方面的努力也到了兌現的時刻。
「年輕人都起來了，開放的窗口也開得越來越好，越來越多的高水平人員來中國交流，有的乾脆回來工作——數據流正迎來『中國主導』的機會。」
悼念高光榮先生！
著名計算機科學家高光榮享年76歲逝世2
近日，美國特拉華大學電子與計算機工程系終身教授、數據流體系結構的先驅人物高光榮逝世，享年76歲。
近日，傑出的華人科學家、美國特拉華大學電子與計算機工程系終身教授、數據流體系結構的先驅人物高光榮逝世，享年76歲。
高光榮，1968年畢業於清華大學無線電系，1980年在華中科大讀研期間出國學習，並於1982年獲美國麻省理工學院碩士學位。1986 年於美國麻省理工學院獲博士學位，是新中國成立後第一位獲得麻省理工學院計算機博士的學者。
1987 年，高光榮開始任教於加拿大麥吉爾大學，任終身教授，現任美國特拉華大學電子與計算機工程系終身教授，特拉華大學計算機系統結構和並行系統實驗室的創始人和領導者，並兼任清華大學客座教授、中科院客座研究員兼聯合實驗室主任、上海交通大學致遠學院海外特聘教授、華中科技大學特聘教授及北京理工大學特聘教授。2007 年，高光榮獲得美國計算機協會和美國電子電氣工程師協會資深會員榮譽，也是第一位獲得雙資深會員的大陸學者
高教授的研究集中在數據流模型、並行計算、計算機系統架構、程序分析與優化技術等方面，包括：（1）針對計算，分析，延展的數據流模型；（2）基於數據流的多線程編程/執行模型；（3）計算機系統架構；（4）基於數據流的編譯優化模型；（5）軟體流水線；（6）程序分析技術。
高光榮教授獲得2017年度羅摩克里希納·勞獎
高光榮2007年當選為IEEE Fellow 和ACM Fellow。2017年獲得「羅摩克里希納·勞獎」（B. Ramakrishna Rau Award），成為全球第7位該獎項得主，也是第一位獲得該獎項的來自大陸的華人科學家以表彰他在「指令級並行和數據級並行編譯技術以及微架構研究領域的卓越貢獻」。
高光榮教授獲中國計算機學會（CCF）「2013年度海外傑出貢獻獎」。據悉，「CCF海外傑出貢獻獎」授予為中國計算機事業作出突出貢獻的海外個人，此獎項由國內學者聯合提名，每年選出1位獲得者，競爭激烈。自此獎項創建以來，共有8位海外人士獲此榮譽。
⑷ HLS(涓)Vivado楂樺眰嬈＄患鍚堟傝堪
鎺㈢儲娣卞害錛歏ivado HLS鐨勯珮搴︾患鍚堟妧鏈璇﹁В
FPGA錛岃繖涓楂樺害鍙緙栫▼鐨勯泦鎴愮數璺錛屽洜鍏剁櫨涓囩駭閫昏緫鍗曞厓鐨勭伒媧繪у拰鍔ㄦ佺畻娉曞疄鐜拌兘鍔涜屽囧彈鐬╃洰銆傜敱鍩虹鍗曞厓濡侺UT錛堥昏緫鍗曞厓錛屽疄鐜頒換浣曢昏緫鍑芥暟鐨勫熀鐭籌級銆丗lip-Flop錛堝瓨鍌ㄥ崟鍏冿紝鐢ㄤ簬閫昏緫嫻佹按綰垮拰鏁版嵁瀛樺偍錛夈乄ires鍜孖/O pads鏋勫緩錛孎PGA鐨勬灦鏋勫湪璁＄畻鍚炲悙閲忓拰璧勬簮闄愬埗涓灞曠幇浜嗗叾鐙鐗規с侺UT鏄閫昏緫鏋勫緩鐨勬牳蹇冿紝閫氳繃瀛樺偍鐪熷艱〃鏉ユ墽琛屽嶆潅鐨勯昏緫鎿嶄綔錛汧lip-Flops鍒欐槸鏁版嵁嫻佷腑鐨勯噸瑕佹ˉ姊侊紝灝ゅ叾鍦╔ilinx FPGA涓錛屽畠浠鏀鎸佸唴緗鐨凞SP妯″潡錛屾兜鐩栦簡鍔犲噺涔樼瓑榪愮畻錛屼負楂樻晥綆楁硶瀹炵幇鎻愪緵浜嗗彲鑳姐
鏁版嵁閲嶇敤錛屽傛護娉㈠櫒錛岄氳繃涔樻硶鍣ㄥ苟琛屽勭悊杈撳叆鏁版嵁錛屽睍鐜頒簡FPGA鏋舵瀯鐨勫苟琛屼紭鍔褲傜浉姣斾箣涓嬶紝澶勭悊鍣ㄤ緷璧栨寚浠ゅ簭鍒楁墽琛岋紝姣忎釜鎸囦護鍙鑳藉甫鏉ュ歡榪燂紝鑰孎PGA鍒╃敤LUT瀹炵幇騫惰岃＄畻錛岃祫婧愪笉鍏變韓錛屽唴瀛樼粨鏋勪紭鍖栵紝鎻愪緵瓚呴珮鐨勫甫瀹姐俈ivado HLS緙栬瘧鍣ㄧ殑欖斿姏鍦ㄤ簬鍏惰兘鑷鍔ㄨ皟搴﹀拰嫻佹按綰誇紭鍖栵紝濡傝捐′竴涓3鍛ㄦ湡嫻佹按綰挎潵璁＄畻y錛屾樉钁楀噺灝戝歡榪熴
澶勭悊鍣ㄥ拰FPGA鐨勫樊寮傛樉钁楋細澶勭悊鍣ㄦ墽琛屾寚浠ゅ簭鍒楋紝鏈夊歡榪熶笖渚濊禆鏁版嵁浣嶇疆錛汧PGA鍒欓氳繃LUT榪涜屽苟琛屽勭悊錛屽唴瀛樼粨鏋勭粡榪囩簿蹇冭捐★紝鎷ユ湁鏇撮珮鐨勬晥鐜囥傞氳繃HLS錛屾垜浠鍙浠ュ噺灝戝嚱鏁拌＄畻寤惰繜錛屾瘮濡傚湪pipelining涓錛屽垵濮媦鐨勮＄畻鍙闇3鍛ㄦ湡錛屽悗緇鍛ㄦ湡鍙浠ュ苟琛屼駭鐢熸柊緇撴灉銆
Vivado HLS鐨勬櫤鑳藉湪浜庡畠鑳借瘑鍒鏁版嵁嫻佺洰鏍囦腑鐨勫苟琛屾э紝鏀鎸佹秷璐硅-鐢熶駭鑰呮ā鍨嬶紝涓縐嶉氳繃鍐呭瓨搴撳垏鎹㈤檺鍒跺苟琛岋紝鍙︿竴縐嶅垯鍒╃敤FIFO鍐呭瓨鎵╁睍騫惰屽害銆傚湪紜浠惰捐′笂錛孎PGA鐨勭伒媧繪т嬌鍏惰兘閫傚簲鍚勭嶈嚜瀹氫箟鐢佃礬錛岃屽勭悊鍣ㄥ垯鍙楅檺浜庡滻瀹氭灦鏋勩傞夋嫨鏃墮挓棰戠巼鏄騫沖彴鍐崇瓥鐨勪竴閮ㄥ垎錛屼絾FPGA涓庡勭悊鍣ㄧ殑鎬ц兘宸璺濊繙涓嶆浜庢ゃ
鎬ц兘鎻愬崌鐨勫叧閿鍦ㄤ簬HLS鐨勮嚜瀹氫箟鍐呭瓨浣撶郴緇撴瀯錛屽畠鍏佽稿姩鎬佸唴瀛樺垎閰嶏紝浼樺寲鍚炲悙閲忋佸姛鑰楀拰寤惰繜錛屼笉鍙楃‖浠墮檺鍒躲侶LS涓庡勭悊鍣ㄧ紪璇戝櫒鐨勫樊寮傚湪浜庯紝瀹冭兘涓虹壒瀹氱畻娉曟彁渚涙渶浣沖鉤鍙頒紭鍖栵紝閫氳繃璧勬簮璋冨害鍑忓皯涓存椂鏁版嵁瀛樺偍銆侳PGA鐨勭伒媧繪т綋鐜板湪瀵規潯浠惰鍙ュ拰寰鐜榪浠ｇ殑澶勭悊錛岃繖浜涘湪澶勭悊鍣ㄤ笂鍙鑳介犳垚棰濆栧紑閿錛屼絾鍦‵PGA涓婂垯鑳芥湁鏁堝苟琛岋紝鎻愬崌鎬ц兘銆
鍦℉LS鐨勯珮綰у簲鐢ㄤ腑錛40鍛ㄦ湡鍐咃紝嫻佹按綰胯凱浠ｉ厤緗鏃犳瀬闄愶紝鐢ㄦ埛鍙浠ラ氳繃璁劇疆II錛堟寚浠ら棿闅旓級鎺у埗嫻佹按綰挎繁搴︺侶LS浼氬垎鏋愭暟鎹渚濊禆浠ヤ紭鍖栫畻娉曟墽琛岋紝灝嗗嚱鏁板勭悊杞鍖栦負鏁版嵁嫻佸艦寮忋傝櫧鐒跺姩鎬佸唴瀛樼敵璇峰湪緙栬瘧鏃剁『瀹氾紝C++鐨勫姩鎬佸唴瀛樿鋒眰鍦‵PGA涓婇渶鐗瑰埆澶勭悊銆傛帶鍒朵腑蹇冪殑綆楁硶閫氳繃HLS鐏墊椿璋冩暣錛屽備換鍔″ぇ灝忕敤鎴峰彲鑷瀹氫箟錛屽獎鍝嶇‖浠墮厤緗棰戠巼銆
鎬葷殑鏉ヨ達紝HLS浼樺寲浜嗘暟鎹閫熺巼錛屽挨鍏墮傜敤浜巉or銆亀hile鍜宒o-while寰鐜錛岃屾帶鍒朵腑蹇冪畻娉曞垯鏍規嵁緋葷粺闇奼傚姩鎬佽皟鏁淬備粠鎺у埗緋葷粺鍒嗙被鐪嬶紝HLS鍦ㄥ揩閫熷搷搴斿満鏅涓灝や負紿佸嚭錛屽彲浣滀負澶勭悊鍣ㄥ姞閫熷櫒銆傚湪楠岃瘉闃舵碉紝紜淇滺LS test bench鐨勫噯紜鎬ц嚦鍏抽噸瑕侊紝鍚屾椂瑕嗙洊鐜囪揪鍒90%浠ヤ笂錛岄伩鍏嶅唴瀛橀敊璇鍜屾湭鍒濆嬪寲鍙橀噺銆侶LS鍗忓悓浠跨湡鍒欐槸楠岃瘉騫惰屽寲鍔熻兘姝ｇ『鎬х殑寮哄ぇ宸ュ叿錛屽敖綆￠熷害杈冩參錛屼絾鑳芥彁渚涘疂璐電殑鐢ㄦ埛鎸囧箋
閫氳繃Vivado HLS錛屾垜浠寰椾互鏋勫緩楂樻晥銆佺伒媧葷殑FPGA璁捐★紝鍒╃敤鍏剁壒鏈夌殑浼樺娍鎻愬崌鎬ц兘錛屽悓鏃跺厖鍒嗚冭檻鍐呭瓨緇戝畾鍜屾暟鎹甯冨矓銆傚湪闆嗘垚澶氫釜紼嬪簭鏃訛紝濡俍ynq-7000SoC鐨勫勭悊鍣ㄤ笌FPGA錛孒LS鐨勫崗浣滃繀涓嶅彲灝戙傛棤璁烘槸鐙絝嬬郴緇熼獙璇佽繕鏄鍩轟簬澶勭悊鍣ㄧ殑緋葷粺錛孒LS閮芥壆婕旂潃鍏抽敭瑙掕壊錛屾彁渚涗簡涓縐嶅叏鏂扮殑璁捐′笌楠岃瘉鏂規硶銆
⑸ 大數據分析,大數據開發,數據挖掘 所用到技術和工具
大數據分析是一個含義廣泛的術語，是指數據集，如此龐大而復雜的，他們需要專門設計的硬體和軟體工具進行處理。該數據集通常是萬億或EB的大小。這些數據集收集自各種各樣的來源：感測器，氣候信息，公開的信息，如雜志，報紙，文章。大數據分析產生的其他例子包括購買交易記錄，網路日誌，病歷，軍事監控，視頻和圖像檔案，及大型電子商務。
大數據分析，他們對企業的影響有一個興趣高漲。大數據分析是研究大量的數據的過程中尋找模式，相關性和其他有用的信息，可以幫助企業更好地適應變化，並做出更明智的決策。
一、Hadoop
Hadoop是一個開源框架，它允許在整個集群使用簡單編程模型計算機的分布式環境存儲並處理大數據。它的目的是從單一的伺服器到上千台機器的擴展，每一個台機都可以提供本地計算和存儲。
Hadoop 是一個能夠對大量數據進行分布式處理的軟體框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進行處理的。Hadoop 是可靠的，即使計算元素和存儲會失敗，它維護多個工作數據副本，確保能夠針對失敗的節點重新分布處理。Hadoop是高效的，它採用並行的方式工作，通過並行處理加快處理速度。Hadoop 還是可伸縮的，能夠處理 PB 級數據。此外，Hadoop 依賴於社區伺服器，因此它的成本比較低，任何人都可以使用。
Hadoop是輕松架構和使用的分布式計算平台。用戶可以輕松地在Hadoop上開發和運行處理海量數據的應用程序。它主要有以下幾個優點：
1、高可靠性。Hadoop按位存儲和處理數據的能力值得人們信賴。
2、高擴展性。Hadoop是在可用的計算機集簇間分配數據並完成計算任務的，這些集簇可以方便地擴展到數以千計的節點中。
3、高效性。Hadoop能夠在節點之間動態地移動數據，並保證各個節點的動態平衡，因此處理速度非常快。
4、高容錯性。Hadoop能夠自動保存數據的多個副本，並且能夠自動將失敗的任務重新分配。
Hadoop帶有用 Java 語言編寫的框架，因此運行在 Linux 生產平台上是非常理想的。Hadoop 上的應用程序也可以使用其他語言編寫，比如 C++。
二、HPCC
HPCC，High Performance Computing and Communications(高性能計算與通信)的縮寫。1993年，由美國科學、工程、技術聯邦協調理事會向國會提交了"重大挑戰項目：高性能計算與通信"的報告，也就是被稱為HPCC計劃的報告，即美國總統科學戰略項目，其目的是通過加強研究與開發解決一批重要的科學與技術挑戰問題。HPCC是美國實施信息高速公路而上實施的計劃，該計劃的實施將耗資百億美元，其主要目標要達到：開發可擴展的計算系統及相關軟體，以支持太位級網路傳輸性能，開發千兆比特網路技術，擴展研究和教育機構及網路連接能力。
十、Tableau Public
1、什麼是Tableau Public -大數據分析工具
這是一個簡單直觀的工具。因為它通過數據可視化提供了有趣的見解。Tableau Public的百萬行限制。因為它比數據分析市場中的大多數其他玩家更容易使用票價。使用Tableau的視覺效果，您可以調查一個假設。此外，瀏覽數據，並交叉核對您的見解。
2、Tableau Public的使用
您可以免費將互動式數據可視化發布到Web;無需編程技能;發布到Tableau Public的可視化可以嵌入到博客中。此外，還可以通過電子郵件或社交媒體分享網頁。共享的內容可以進行有效硫的下載。這使其成為最佳的大數據分析工具。
3、Tableau Public的限制
所有數據都是公開的，並且限制訪問的范圍很小;數據大小限制;無法連接到[R ;讀取的唯一方法是通過OData源，是Excel或txt。
十一、OpenRefine
1、什麼是OpenRefine - 數據分析工具
以前稱為GoogleRefine的數據清理軟體。因為它可以幫助您清理數據以進行分析。它對一行數據進行操作。此外，將列放在列下，與關系資料庫表非常相似。
2、OpenRefine的使用
清理凌亂的數據;數據轉換;從網站解析數據;通過從Web服務獲取數據將數據添加到數據集。例如，OpenRefine可用於將地址地理編碼到地理坐標。
3、OpenRefine的局限性
Open Refine不適用於大型數據集;精煉對大數據不起作用
十二、KNIME
1、什麼是KNIME - 數據分析工具
KNIME通過可視化編程幫助您操作，分析和建模數據。它用於集成各種組件，用於數據挖掘和機器學習。
2、KNIME的用途
不要寫代碼塊。相反，您必須在活動之間刪除和拖動連接點;該數據分析工具支持編程語言;事實上，分析工具，例如可擴展運行化學數據，文本挖掘，蟒蛇，和[R 。
3、KNIME的限制
數據可視化不佳
十三、Google Fusion Tables
1、什麼是Google Fusion Tables
對於數據工具，我們有更酷，更大版本的Google Spreadsheets。一個令人難以置信的數據分析，映射和大型數據集可視化工具。此外，Google Fusion Tables可以添加到業務分析工具列表中。這也是最好的大數據分析工具之一，大數據分析十八般工具。
2、使用Google Fusion Tables
在線可視化更大的表格數據;跨越數十萬行進行過濾和總結;將表與Web上的其他數據組合在一起；您可以合並兩個或三個表以生成包含數據集的單個可視化;
3、Google Fusion Tables的限制
表中只有前100,000行數據包含在查詢結果中或已映射;在一次API調用中發送的數據總大小不能超過1MB。
十四、NodeXL
1、什麼是NodeXL
它是關系和網路的可視化和分析軟體。NodeXL提供精確的計算。它是一個免費的(不是專業的)和開源網路分析和可視化軟體。NodeXL是用於數據分析的最佳統計工具之一。其中包括高級網路指標。此外，訪問社交媒體網路數據導入程序和自動化。
2、NodeXL的用途
這是Excel中的一種數據分析工具，可幫助實現以下方面：
數據導入;圖形可視化;圖形分析;數據表示;該軟體集成到Microsoft Excel 2007,2010,2013和2016中。它作為工作簿打開，包含各種包含圖形結構元素的工作表。這就像節點和邊緣;該軟體可以導入各種圖形格式。這種鄰接矩陣，Pajek .net，UCINet .dl，GraphML和邊緣列表。
3、NodeXL的局限性
您需要為特定問題使用多個種子術語;在稍微不同的時間運行數據提取。
十五、Wolfram Alpha
1、什麼是Wolfram Alpha
它是Stephen Wolfram創建的計算知識引擎或應答引擎。
2、Wolfram Alpha的使用
是Apple的Siri的附加組件;提供技術搜索的詳細響應並解決微積分問題;幫助業務用戶獲取信息圖表和圖形。並有助於創建主題概述，商品信息和高級定價歷史記錄。
3、Wolfram Alpha的局限性
Wolfram Alpha只能處理公開數字和事實，而不能處理觀點;它限制了每個查詢的計算時間;這些數據分析統計工具有何疑問?
十六、Google搜索運營商
1、什麼是Google搜索運營商
它是一種強大的資源，可幫助您過濾Google結果。這立即得到最相關和有用的信息。
2、Google搜索運算符的使用
更快速地過濾Google搜索結果;Google強大的數據分析工具可以幫助發現新信息。
十七、Excel解算器
1、什麼是Excel解算器
Solver載入項是Microsoft Office Excel載入項程序。此外，它在您安裝Microsoft Excel或Office時可用。它是excel中的線性編程和優化工具。這允許您設置約束。它是一種先進的優化工具，有助於快速解決問題。
2、求解器的使用
Solver找到的最終值是相互關系和決策的解決方案;它採用了多種方法，來自非線性優化。還有線性規劃到進化演算法和遺傳演算法，以找到解決方案。
3、求解器的局限性
不良擴展是Excel Solver缺乏的領域之一;它會影響解決方案的時間和質量;求解器會影響模型的內在可解性;
十八、Dataiku DSS
1、什麼是Dataiku DSS
這是一個協作數據科學軟體平台。此外，它還有助於團隊構建，原型和探索。雖然，它可以更有效地提供自己的數據產品。
2、Dataiku DSS的使用
Dataiku DSS - 數據分析工具提供互動式可視化界面。因此，他們可以構建，單擊，指向或使用SQL等語言。
3、Dataiku DSS的局限性
有限的可視化功能;UI障礙：重新載入代碼/數據集;無法輕松地將整個代碼編譯到單個文檔/筆記本中;仍然需要與SPARK集成
以上的工具只是大數據分析所用的部分工具，小編就不一一列舉了，下面把部分工具的用途進行分類：
1、前端展現
用於展現分析的前端開源工具有JasperSoft，Pentaho, Spagobi, Openi, Birt等等。
用於展現分析商用分析工具有Style Intelligence、RapidMiner Radoop、Cognos, BO, Microsoft Power BI, Oracle,Microstrategy,QlikView、 Tableau 。
國內的有BDP，國雲數據(大數據分析魔鏡)，思邁特，FineBI等等。
2、數據倉庫
有Teradata AsterData, EMC GreenPlum, HP Vertica 等等。
3、數據集市
有QlikView、 Tableau 、Style Intelligence等等。
當然學大數據分析也有很多坑：
《轉行大數據分析師後悔了》、《零基礎學大數據分析現實嗎》、《大數據分析培訓好就業嗎》、《轉行大數據分析必知技能》