大数据分析JavaOne2017

简介:

先来分享下我下载到的slides,应该能下载的大部分都在里面了Slides。也可以前往逊尧的分享下载部分PPT和了解更多JAVAONE内容https://www.atatech.org/articles/91571

JavaOne的数据分析

咱也来一把标题党,是不是大数据分析不重要,本文绝对有助于大家全面了解JavaOne。从我自己开发的"NLP"工具对session title进行了分析,不能做到极其严谨,因为有的session跟我不一样,是真正的标题党。

1)先来总结一下吧

此次JavaOne共有个498个Session,总结来看JAVA和ORACLE是完全认知和拥抱云计算和大数据这个已经到来的未来。微服务技术更加成熟,业内有了更多的思考。DOCKER,DEVOPS,KUBERNETS被提及也处于前列。而JAVA技术本身在往微服务,异步化(消息化),Steams,REACTIVE,函数式方向发展。业内也出现了一些较新的技术和理念,像Serverless,Event Sourcing,CQRS等等,这些其实也都是在围绕微服务展开。

2) Session详情

1) 此次JavaOne被提及5次以上的topic及数量如下。

  • Topic: JAVA with counts 187
  • Topic: JAVA9 with counts 83
  • Topic: JAVAEE with counts 82
  • Topic: CLOUD with counts 45
  • Topic: MICROSERVICES with counts 30
  • Topic: ORACLE with counts 28
  • Topic: DATA with counts 27
  • Topic: APPLICATIONS with counts 24
  • Topic: APPS with counts 17
  • Topic: WEB with counts 17
  • Topic: DATABASE with counts 17
  • Topic: DEVELOPERS with counts 17
  • Topic: ORACLECLOUD with counts 15
  • Topic: KUBERNETES with counts 15
  • Topic: APACHE with counts 15
  • Topic: DOCKER with counts 15
  • Topic: BUILDING with counts 15
  • Topic: DEVOPS with counts 15
  • Topic: DEVELOPMENT with counts 13
  • Topic: TOOLS with counts 13
  • Topic: JAVAFX with counts 13
  • Topic: API with counts 13
  • Topic: APPLICATION with counts 12
  • Topic: CODE with counts 12
  • Topic: MOBILE with counts 11
  • Topic: BUILD with counts 11
  • Topic: OPEN with counts 11
  • Topic: JAVASCRIPT with counts 11
  • Topic: SECURITY with counts 10
  • Topic: MACHINELEARNING with counts 10
  • Topic: PERFORMANCE with counts 10
  • Topic: PATTERNS with counts 10
  • Topic: CONTAINERS with counts 10
  • Topic: IOT with counts 10
  • Topic: JVM with counts 10
  • Topic: REACTIVE with counts 10
  • Topic: OPENSOURCE with counts 10
  • Topic: KOTLIN with counts 9
  • Topic: SYSTEMS with counts 9
  • Topic: DESIGN with counts 8
  • Topic: GUIDE with counts 8
  • Topic: STREAMS with counts 8
  • Topic: DEVELOPER with counts 8
  • Topic: COMMUNITY with counts 8
  • Topic: ENTERPRISE with counts 8
  • Topic: PRACTICES with counts 8
  • Topic: KAFKA with counts 8
  • Topic: SPARK with counts 8
  • Topic: MODULES with counts 7
  • Topic: FUNCTIONAL with counts 7
  • Topic: SCALE with counts 7
  • Topic: JAVADEVELOPERS with counts 7
  • Topic: JAVA8 with counts 7
  • Topic: BESTPRACTICES with counts 7
  • Topic: ONORACLECLOUD with counts 7
  • Topic: PROGRAMMING with counts 6
  • Topic: JAVAAPPS with counts 6
  • Topic: DEVELOPING with counts 6
  • Topic: SERVERLESS with counts 6
  • Topic: CLOUDNATIVE with counts 6
  • Topic: SCALA with counts 6
  • Topic: REALTIME with counts 6
  • Topic: BLOCKCHAIN with counts 6
  • Topic: ECLIPSE with counts 6
  • Topic: SERVICE with counts 6
  • Topic: SQL with counts 5
  • Topic: BIGDATA with counts 5
  • Topic: JSON with counts 5
  • Topic: ANALYTICS with counts 5
  • Topic: DESIGNPATTERNS with counts 5
  • Topic: NODEJS with counts 5

1.3 一点感想

说实话我们可里在大规模系统的建设上是全世界所有公司需要学习的。但是最新技术的探索使用,在效率、标准化、拥抱生态等方面,我们还是相对落后的,业内讨论最多的一些技术我们甚至都没听说过。是不是有的时候应该有人稍微停下来,审视下我们的技术与业内的GAP,取长补短,这样长此一往,我们不仅scalable, resilient方面很强,我们的效率还是最好的。

相关文章
|
2月前
|
存储 机器学习/深度学习 SQL
大数据处理与分析技术
大数据处理与分析技术
184 2
|
3月前
|
SQL 消息中间件 分布式计算
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
101 5
|
30天前
|
机器学习/深度学习 数据可视化 大数据
机器学习与大数据分析的结合:智能决策的新引擎
机器学习与大数据分析的结合:智能决策的新引擎
156 15
|
1月前
|
SQL 分布式计算 DataWorks
DataWorks产品测评|基于DataWorks和MaxCompute产品组合实现用户画像分析
本文介绍了如何使用DataWorks和MaxCompute产品组合实现用户画像分析。首先,通过阿里云官网开通DataWorks服务并创建资源组,接着创建MaxCompute项目和数据源。随后,利用DataWorks的数据集成和数据开发模块,将业务数据同步至MaxCompute,并通过ODPS SQL完成用户画像的数据加工,最终将结果写入`ads_user_info_1d`表。文章详细记录了每一步的操作过程,包括任务开发、运行、运维操作和资源释放,帮助读者顺利完成用户画像分析。此外,还指出了文档中的一些不一致之处,并提供了相应的解决方法。
|
1月前
|
分布式计算 DataWorks 搜索推荐
用户画像分析(MaxCompute简化版)
通过本教程,您可以了解如何使用DataWorks和MaxCompute产品组合进行数仓开发与分析,并通过案例体验DataWorks数据集成、数据开发和运维中心模块的相关能力。
|
2月前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
140 4
|
2月前
|
关系型数据库 分布式数据库 数据库
PolarDB 以其出色的性能和可扩展性,成为大数据分析的重要工具
在数字化时代,企业面对海量数据的挑战,PolarDB 以其出色的性能和可扩展性,成为大数据分析的重要工具。它不仅支持高速数据读写,还通过数据分区、索引优化等策略提升分析效率,适用于电商、金融等多个行业,助力企业精准决策。
47 4
|
2月前
|
机器学习/深度学习 分布式计算 算法
【大数据分析&机器学习】分布式机器学习
本文主要介绍分布式机器学习基础知识,并介绍主流的分布式机器学习框架,结合实例介绍一些机器学习算法。
345 5
|
2月前
|
存储 监控 数据挖掘
【Clikhouse 探秘】ClickHouse 物化视图:加速大数据分析的新利器
ClickHouse 的物化视图是一种特殊表,通过预先计算并存储查询结果,显著提高查询性能,减少资源消耗,适用于实时报表、日志分析、用户行为分析、金融数据分析和物联网数据分析等场景。物化视图的创建、数据插入、更新和一致性保证通过事务机制实现。
304 14
|
2月前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
196 2