大数据核心技术支撑主要包括数据存储、数据处理和数据分析三个部分。
1. 数据存储：大数据的核心是数据的存储，因为只有将大量的数据存储下来，才能进行后续的数据处理和分析。数据存储技术主要包括分布式文件系统、NoSQL数据库、列式存储等。
分布式文件系统是一种将数据分散存储在多个服务器上的系统，可以有效地处理大规模数据的读写操作。例如，Hadoop HDFS就是一种分布式文件系统，它可以将大量数据存储在集群中的多个节点上，方便地进行数据的读写操作。
NoSQL数据库是一种非关系型数据库，它不依赖于传统的关系型数据库模型，可以存储大量的半结构化和非结构化数据。例如，MongoDB就是一种NoSQL数据库，它可以存储大量的文档数据，方便地进行数据的插入、查询和更新操作。
列式存储是一种将数据按列组织存储的技术，可以减少磁盘I/O操作，提高数据的读写速度。例如，Apache Cassandra就是一种列式存储数据库，它可以将数据按列进行组织，方便地进行数据的插入、查询和更新操作。
2. 数据处理：数据处理是将原始数据转换为可用信息的过程，包括数据采集、数据清洗、数据转换等步骤。数据处理技术主要包括批处理、流处理、机器学习等。
批处理是一种批量处理数据的方法，适用于处理大量静态数据。例如，Hadoop MapReduce就是一种批处理框架，它可以将大量数据分割成多个任务，由多个节点并行处理。
流处理是一种实时处理数据的方法，适用于处理实时数据流。例如，Apache Kafka就是一种流处理框架，它可以接收并处理来自不同源的数据流，支持数据的实时传输和处理。
机器学习是一种基于统计方法对数据进行分析和预测的技术，可以发现数据中的规律和模式。例如，Python的Scikit-learn库就是一个常用的机器学习库，它可以进行各种机器学习算法的训练和预测。
3. 数据分析：数据分析是将数据转化为知识的过程，包括数据挖掘、统计分析、可视化等步骤。数据分析技术主要包括聚类分析、关联规则挖掘、回归分析等。
聚类分析是一种无监督学习方法，可以将相似的数据对象分为一类。例如，K-means算法就是一种聚类算法，它可以将数据集划分为几个不同的簇，每个簇内的数据对象相似度较高。
关联规则挖掘是一种发现数据中频繁出现的规则或模式的方法。例如，Apriori算法就是一种关联规则挖掘算法，它可以找出数据集中的频繁项集，并根据这些项集生成关联规则。
回归分析是一种建立数学模型来描述变量之间关系的方法。例如，线性回归就是一种回归分析方法，它可以建立一个线性方程来描述两个变量之间的关系。
