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
|
1月前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
61 4
|
13天前
|
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
52 2
|
1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
67 5
|
2月前
|
存储 大数据 测试技术
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
在大数据环境中,数据存储格式直接影响查询性能和成本。本文探讨了 Parquet、Avro 和 ORC 三种格式在 Google Cloud Platform (GCP) 上的表现。Parquet 和 ORC 作为列式存储格式,在压缩和读取效率方面表现优异,尤其适合分析工作负载;Avro 则适用于需要快速写入和架构演化的场景。通过对不同查询类型(如 SELECT、过滤、聚合和联接)的基准测试,本文提供了在各种使用案例中选择最优存储格式的建议。研究结果显示,Parquet 和 ORC 在读取密集型任务中更高效,而 Avro 更适合写入密集型任务。正确选择存储格式有助于显著降低成本并提升查询性能。
448 1
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
|
3天前
|
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。
15 4
|
4天前
|
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。
47 5
|
16天前
|
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。
70 14
|
22天前
|
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。
67 2
|
23天前
|
数据采集 机器学习/深度学习 搜索推荐
大数据与社交媒体:用户行为分析
【10月更文挑战第31天】在数字化时代,社交媒体成为人们生活的重要部分,大数据技术的发展使其用户行为分析成为企业理解用户需求、优化产品设计和提升用户体验的关键手段。本文探讨了大数据在社交媒体用户行为分析中的应用,包括用户画像构建、情感分析、行为路径分析和社交网络分析,以及面临的挑战与机遇。
|
23天前
|
机器学习/深度学习 搜索推荐 大数据
大数据与教育:学生表现分析的工具
【10月更文挑战第31天】在数字化时代,大数据成为改善教育质量的重要工具。本文探讨了大数据在学生表现分析中的应用,介绍学习管理系统、智能评估系统、情感分析技术和学习路径优化等工具,帮助教育者更好地理解学生需求,制定个性化教学策略,提升教学效果。尽管面临数据隐私等挑战,大数据仍为教育创新带来巨大机遇。
下一篇
无影云桌面