摘要：年，他成为美国计算机协会的院士，年被授予奖。但这并不意味着大数据这本书包含了关于大数据的一切。
非商业转载请注明作译者、出处，并保留本文的原始链接：http://www.ituring.com.cn/Article/26020
Jeffrey David Ullman是一位计算机科学家，现任斯坦福大学的教授。他编写的关于编译器的教科书（各种版本非常流行被称为“龙书”）、关于计算理论的书（被称为“灰姑娘书”），以及数据结构和数据库的相关书籍都被视为是业界的规范。1995年，他成为美国计算机协会（ACM）的院士，2000年被授予 Knuth奖。他还和John Hopcroft一起获得2010年IEEE颁发的冯诺依曼奖章。详细信息。
我认为“大规模数据挖掘”根本上和“大数据”是一个意思。但这并不意味着MMDS(《大数据》）这本书包含了关于大数据的一切。我和Anand Rajaraman博士对我们所挑选的算法可谓是精挑细选。具体说来，就是我们避开了现在被称作“机器学习”的部分。现在有一些非常强大的研究者，组成了他们称为“机器学习”的社区，虽然他们所研究的算法——包括聚合和梯度下降——在“机器学习”开始火热的很长时间以前，就已经很出名而且被很多人认真地研究过了。实际上，“机器学习”就是给一些特定算法加上的一个标签，而且，也存在其他一些算法，在有效分析数据方面，这些算法的重要性有过之而无不及。其中最为突出的例子就是“局部敏感哈希”（LSH），它并不被认为属于机器学习，也不是由“机器学习”研究者发明的。我在全世界各地演讲，倾听人们关于计算挑战的讨论，我认为很多人普遍缺失对于LSH技术的知识。所以我们决定在《大数据》这本书中给予LSH以足够的重视。
图灵社区：作为一名学者同时也是教育者，您是如何应对“大数据”热的？您为什么要持续更新《大数据》这本书，又为什么把它免费分享给大家？
“大数据”说的是一组真正意义上重要而且有挑战性的问题。它和很多现在流行的热门词有很大不同，那些概念流行了数年之后就会消失，什么也留不下，而我认为大数据算法的研究值得调动一切可以调动的力量。但是接下来好像是两个问题，一个是为什么要对这本书持续更新，另一个是它为什么是免费的。
首先，我为什么要持续更新。几年前，我们很幸运地邀请到Jure Leskovec加入到斯坦福大学，现在他已经撑起了数据挖掘这门课的很大部分。Jure在一定程度上和我与Anand的观点有所不同，他对机器学习算法更感兴趣，他的个人研究包括了社交网络及其相关的图问题。所以现在，Jure作为另一位作者加入到这本书中来，在书中另外开辟了一个章节，关于社交网络分析的算法。在不远的未来，我们打算加入大规模机器学习算法，以及大规模降维算法。另外，我在Google、斯坦福，以及其他地方从事的个人研究，让我加深了对于Map-Reduce算法的理解。所以我最近把这些知识融入到第二章中去了。
然后是，这本书为什么是免费的。有几个原因。其中最重要的原因就是，我和Anand都不需要通过出版这本书得到的那点版税。剑桥大学出版社愿意在有免费电子版的情况下出版此书，我们感到很高兴，他们以这种方式出版也不是第一次了。他们的编辑David Tranah告诉我，他们也希望能通过书来赚钱，但是几百年来，他们认识到，作为一家非盈利性的大学出版社，他们的首要任务是要传播知识。
于是这也就引发了第二个原因：盈利性的出版社变得越来越贪婪，他们在美国把书价抬得极高，可以说比那些书应有的价值高出很多。所以，没有人买书，或者买了看完了就要再卖掉，所以书的整体销量比七八十年代的时候还要少。所以，与其通过盈利性出版社赚取一点小钱，作者们越来越有理由选择让自己的书免费，让更多的人读到它。举例来说，《大数据》这本书每年会被下载25万次左右。这比我所有出版过的纸版书都要多十倍以上。对于Anand和我的工作来说，没有比这更令人欣慰的了。
其实对于这本书的免费，还有一个真实原因，那就是非法文件分享系统已经完全不尊重我们的知识产权了，所以买我们书的人其实都是诚实的人，他们不愿意和盗版同流合污。而这些人的钱，我们是不愿意拿的。
图灵社区：Map-Reduce框架更主要用于离线处理，如果在线处理有什么计算框架值得推荐？除了Map-Reduce计算框架外，还有什么大规模数据挖掘的框架值得关注？
我认为“在线处理”有两个意思。第一个是事务处理。数据挖掘总体来说不需要事务处理，所以“大数据”应用也不需要事务处理。第二个是特定查询，你键入你想到的任何查询，然后在几秒钟后检查结果，如果不满意就重新键入查询。大数据应用需要较长的执行时间，所以不太适合特定查询。有一些新系统，在这方面超过了Map-Reduce，在真正的大数据面前只需要几秒钟就能给查询以反馈。你可以看一看Dremel 系统 http://research.google.com/pubs/pub36632.html，这个系统据我理解，其实是模仿了一个开源系统，叫做Dream。
图灵社区：很多读者反映这本书中有很多实例应用，都是干货，Rajaraman博士对此贡献不少吧？也有读者反映这本书对于有实践经验的人来说更好理解，您对此有什么建议？
Anand对整本书都有很大贡献。他对特定的应用很感兴趣，因为他曾经在Kosmix有创业背景，而Kosmix和这些应用都有关系，其中包括广告和协同过滤等。我很同意的一点是，在这个学科以及任何计算机科学的学科里，好的教育都应该包括实践的内容。在我和Anand共同教授的课程中，我们要求学生自己组成小的团队，一起应用所学的知识完成一个项目。这件事并没有像我们所期望的那样顺利进展，因为学生们大部分时间都用在研读学习材料上，来不及应用。Jure加入以后，我们把课程分成了两个部分。在上学期，Jure教授课程，在下学期，我们选拔学生团队来完成项目，这些项目是他们应用学到的知识而设计的。我、Anand, 以及Jure，我们每个人都会带4支团队。
图灵社区：你有那么多出色的学生，有些人和你共同写书，有些人开创了Google。你最喜欢的学生是谁呢？在教他们的时候有什么趣事吗？
我可不能说我最喜欢哪个学生。我们都认为Sergey Brin是我的学生中最成功的一个。但是我真的没有教给他什么。Anand Rajaraman和 Venky Harinarayan以及Ashish Gupta（他们三个共同创立了Junglee，然后Anand和Venky又一起成立了Kosmix）也很成功。但是我帮到他们的也不多。有两个学生在确定我的研究方向上帮助了我。Matt Hecht让我开始了代码优化的研究，而Allan Van Gelder帮我进入了逻辑编程领域，这是数据库研究的一大分支，数据记录领域。但是我认为最好的学生，是那些如果我没有横加干预把他们送上一条崭新的道路，他们就永远都无法博士毕业的学生。很明显，我可不能说具体是誰。
图灵社区：你认为美国大学中存在一种黑客文化吗？这样的文化在学业上产生了什么影响？
对于黑客有几种解读。第一种，是善于攻入其他人电脑系统，窃取数据的人。从这种意义上说，很少有学生参与这样的活动。
另外一种意思是具有编程和科技知识的人。我们在斯坦福会经常会看见这样的人，但是也不是特别多，软件学院的最好的学生也有自己的兴趣。斯坦福甚至不允许学生们只关注一门学科！要在斯坦福取得学士学位，你的学分只能有三分之一是来自于本专业的。这在美国学校中是比较普遍的现象。
但是斯坦福的文化中确实有与众不同的成分，那就是大家都能开公司。甚至比应该鼓励的数量还要多，也有很多不成功的例子。但是令人惊奇的是很多学生毕业之后都不想去已经存在的公司上班，他们都想开创自己的公司。这里有几门课专门讲如何“创业”，这样的文化确实在斯坦福校园里薪火相传。
图灵社区：从一位教师的角度上看，你觉得你班上的中国学生怎么样？你对他们有什么建议吗？
你可能觉得这件事很有趣，那就是我教授的班级里通常有一半学生是中国人。他们有很多都是在美国出生的硕士学生，但是也有很多是从中国，以及其他亚洲地区来的。我的建议不只送给他们，也送给所有的学生。
第一，相信你自己，而不是长辈；放眼望去，有多少伟大的计算机公司（微软, Oracle, 苹果, Google, Yahoo!, 亚马逊, Facebook）是由年轻人创立的。第二，不要害怕失败。如果你失败的次数没有成功的多的话，说明你想搞定的问题根本就不值得解决。
图灵社区：我们计划出版中文版的《计算机科学的基础，C版》，我注意到您对这本书很是推崇，您觉得这本“老书”在今天的存在意义何在？
当这本“基础”由Freeman出版公司出版的时候，卖的并不好，最后绝版了。阿霍和我一直认为用这种方式来展示计算机科学理论是最好的：把数学和编程看作是同一个硬币的两面。比方说，我们会解释，其实归纳证明和递归程序是源于同一个概念。但是这本书的影响力在我们把它免费开放在互联网上之前并不大。我认为这并不是个巧合。在美国的高校都很不情愿让学生买昂贵的教科书，尽管学生学费加上损失的机会成本（学生在学校的时间是没法挣钱的）要100倍于教科书的价格。这样的观点很愚蠢，但是我责怪的是在美国把书价定得过高的出版商，这样做损失了他们的市场。
图灵社区：是谁设计了《大数据》的封面？后面有什么故事吗？
《大数据》和“龙书”的封面都是我的儿子Scott设计的。
图灵社区您认为面向数据集的操作系统应该具备什么特征？
我没看出来数据挖掘在操作系统上也是个问题。也许选取合适的数据库管理系统是个问题，比如说传统的关系型系统和"no-SQL"相比较。我确实注意到SQL并没有消失，人们正努力把它融入不同平台上以管理大规模数据。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/8148.html
摘要：年，他成为美国计算机协会的院士，年被授予奖。年月日，他在上宣布加入。作为首个流行的文件共享平台，最终在年被关闭，此前该公司因鼓励非法分享受版权保护的材料而对法院命令提出上诉，但未获成功。自第一版发布后重视社区的组建和快速普及。 ...
摘要：花下猫语近日，之父在上开通了博客，并发布了一篇关于解析器的文章参见我翻的全文译文。是的简称，用来生成词法分析器是的简称，用来生成语法分析器。 showImg(https://segmentfault.com/img/remote/1460000019910963?w=5184&h=3456); 花下猫语： 近日，Python 之父在 Medium 上开通了博客，并发布了一篇关于 PEG...
摘要：花下猫语近日，之父在上开通了博客，并发布了一篇关于解析器的文章参见我翻的全文译文。是的简称，用来生成词法分析器是的简称，用来生成语法分析器。 showImg(https://segmentfault.com/img/remote/1460000019910963?w=5184&h=3456); 花下猫语： 近日，Python 之父在 Medium 上开通了博客，并发布了一篇关于 PEG...
摘要：花下猫语近日，之父在上开通了博客，并发布了一篇关于解析器的文章参见我翻的全文译文。是的简称，用来生成词法分析器是的简称，用来生成语法分析器。 showImg(https://segmentfault.com/img/remote/1460000019910963?w=5184&h=3456); 花下猫语： 近日，Python 之父在 Medium 上开通了博客，并发布了一篇关于 PEG...
摘要：花下猫语近日，之父在上开通了博客，并发布了一篇关于解析器的文章参见我翻的全文译文。是的简称，用来生成词法分析器是的简称，用来生成语法分析器。 showImg(https://segmentfault.com/img/remote/1460000019910963?w=5184&h=3456); 花下猫语： 近日，Python 之父在 Medium 上开通了博客，并发布了一篇关于 PEG...
阅读 2763·2023-04-25 18:00
阅读 1949·2021-11-23 10:07
阅读 3797·2021-11-22 09:34
阅读 974·2021-10-08 10:05
阅读 1359·2019-08-30 15:55
阅读 3104·2019-08-30 11:21
阅读 3151·2019-08-29 13:01
阅读 1198·2019-08-26 18:26
