大數(shù)據(jù)的概念—、大數(shù)據(jù)概念”大數(shù)據(jù)“是一個體量特別大，數(shù)據(jù)類別特別大的數(shù)據(jù)集，并且這樣的數(shù)據(jù)集無法用傳統(tǒng)數(shù)據(jù)庫工具對其內(nèi)容進(jìn)行抓取、管理和處理?！贝髷?shù)據(jù)“首先是指數(shù)據(jù)體量(volumes)大，指代大型數(shù)據(jù)集，一般在10TB規(guī)模左右.但在實際應(yīng)用中，很多企業(yè)用戶把多個數(shù)據(jù)集放在—起，已經(jīng)形成了PB級的數(shù)據(jù)量；其次是指數(shù)據(jù)類別(variety)大，數(shù)據(jù)來自多種數(shù)據(jù)源，數(shù)據(jù)種類和格式曰漸豐富，已沖破了以前所限定的結(jié)構(gòu)化數(shù)據(jù)范疇.囊括了半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。接著是數(shù)據(jù)處理速度(Velocity)快，在數(shù)據(jù)量非常龐大的情況下，也能夠做到數(shù)據(jù)的實時處理。最后一個特點是指數(shù)據(jù)真實性(Veracity)高，隨著社交數(shù)據(jù)、企業(yè)內(nèi)容、交易與應(yīng)用數(shù)據(jù)等新數(shù)據(jù)源的興趣，傳統(tǒng)數(shù)據(jù)源的局限被打破，企業(yè)愈發(fā)需要有效的信息之力以確保其真實性及安全性。百度知道一大數(shù)據(jù)概念大數(shù)據(jù)(bigdata),或稱巨量資料，指的是所涉及的資料量規(guī)模巨大到無法透過目前主流軟件工具，在合理時間內(nèi)達(dá)到擷取、管理、處理、并整理成為幫助企業(yè)經(jīng)營決策更積極目的的資訊。大數(shù)據(jù)的4V特點:VolumesVelocitysVarietysVeracityo互聯(lián)網(wǎng)周刊一大數(shù)據(jù)概念”大數(shù)據(jù)“的概念遠(yuǎn)不止大量的數(shù)據(jù)(TB)和處理大量數(shù)據(jù)的技術(shù)，或者所謂的“4個V“之類的簡單概念，而是涵蓋了人們在大規(guī)模數(shù)據(jù)的基礎(chǔ)上可以做的事情，而這些事情在小規(guī)模數(shù)據(jù)的基礎(chǔ)上是無法實現(xiàn)的。換句話說，大數(shù)據(jù)讓我們以一種前所未有的方式，通過對海量數(shù)據(jù)進(jìn)行分析，獲得有巨大價值的產(chǎn)品和服務(wù)，或深刻的洞見，最終形成變革之力研究機(jī)構(gòu)Gartner-大數(shù)據(jù)概念”大數(shù)據(jù)“是需要新處理模式才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產(chǎn)。從數(shù)據(jù)的類別上看，”大數(shù)據(jù)“指的是無法使用傳統(tǒng)流程或工具處理或分析的信息。它定義了那些超出正常處理范圍和大小、迫使用戶采用非傳統(tǒng)處理方法的數(shù)據(jù)集。亞馬遜網(wǎng)絡(luò)服務(wù)(AWS)、大數(shù)據(jù)科學(xué)家JohnRauser提到一個簡單的定義：大數(shù)據(jù)就是任何超過了一臺計算機(jī)處理能力的龐大數(shù)據(jù)量。研發(fā)小組對大數(shù)據(jù)的定義：”大數(shù)據(jù)是最大的宣傳技術(shù)、是最時髦的技術(shù)，當(dāng)這種現(xiàn)象出現(xiàn)時，定義就變得很混亂?！疜elly說：”大數(shù)據(jù)是可能不包含所有的信息，但我覺得大部分是正確的。對大數(shù)據(jù)的一部分認(rèn)知在于，它是如此之大，分析它需要多個工作負(fù)載，這是AWS的定義。當(dāng)你的技術(shù)達(dá)到極限時，也就是數(shù)據(jù)的極限”。大數(shù)據(jù)不是關(guān)于如何定義，最重要的是如何使用。最大的挑戰(zhàn)在于哪些技術(shù)能更好的使用數(shù)據(jù)以及大數(shù)據(jù)的應(yīng)用情況如何。這與傳統(tǒng)的數(shù)據(jù)庫相比，開源的大數(shù)據(jù)分析工具的如Hadoop的崛起，這些非結(jié)構(gòu)化的數(shù)據(jù)服務(wù)的價值在哪里。二、大數(shù)據(jù)技術(shù)數(shù)據(jù)采集：ETLT具負(fù)責(zé)將分布的、異構(gòu)數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等抽取到臨時中間層后進(jìn)行清洗、轉(zhuǎn)換、集成，最后加載到數(shù)據(jù)倉庫或數(shù)據(jù)集市中，成為聯(lián)機(jī)分析處理、數(shù)據(jù)挖掘的基礎(chǔ)。數(shù)據(jù)存?。宏P(guān)系數(shù)據(jù)庫、NOSQL、SQL等?；A(chǔ)架構(gòu)：云存儲、分布式文件存儲等。數(shù)據(jù)處理：自然語言處理(NLP,NaturalLanguageProcessing)＞研究人與計算機(jī)交互的語言問題的一門學(xué)科。處理自然語言的關(guān)鍵是要讓計算機(jī)”理解“自然語言，所以自然語言處理又叫做自然語言理解(NLU,NaturalLanguageUnderstanding),也稱為計算語言學(xué)(ComputationalLinguistics。一方面它是語言信息處理的一個分支，另一方面它是人工智^(AI,ArtificialIntelligence)的核心課題之一。統(tǒng)計分析：假設(shè)檢驗、顯著性檢驗、差異分析、相關(guān)分析、T檢驗、方差分析、卡方分析、偏相關(guān)分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預(yù)測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應(yīng)分析、多元對應(yīng)分析(最優(yōu)尺度分析)、bootstrap技術(shù)等等。數(shù)據(jù)挖掘：分類(Classification)、估計(Estimation)、預(yù)測(Prediction)、相關(guān)性分組或關(guān)聯(lián)規(guī)則(Affinitygroupingorassociationrules)、聚類(Clustering)、描述和可視化、DescriptionandVisualization)、復(fù)雜數(shù)據(jù)類型挖掘(Text,Web,圖形圖像，視頻，音頻等)模型預(yù)測：預(yù)測模型、機(jī)器學(xué)習(xí)、建模仿真。結(jié)果呈現(xiàn)：云計算、標(biāo)簽云、關(guān)系圖等。三、大數(shù)據(jù)發(fā)展趨勢能、機(jī)器學(xué)習(xí)、博弈論將在大數(shù)據(jù)分析方面發(fā)揮更大的作用。個人（自我）分析將崛起。越來越多的公司將提供消費者可以分析的數(shù)據(jù)方式，讓他們控制自己的行為和個人生活。企業(yè)將制定更明確的隱私政策，給消費者更多的他們的分享內(nèi)容的控制權(quán)。特定的消費者將會積極管理他們與人分享的內(nèi)容。各行業(yè)的大數(shù)據(jù)分析將迎來更多的應(yīng)用。越來越多的企業(yè)將不滿足于大數(shù)據(jù)管理能力而尋求外部專家。移動分析顯著增加。移動推動分析會改變消費者的消費信息和消費習(xí)慣。更智能的設(shè)備和器具的岀現(xiàn)很大程度的嵌入式分析。更側(cè)重于實時分析，雖然我不不看好其在今年內(nèi)會有很大的進(jìn)展。無法處理大量數(shù)據(jù)、品種或速度的產(chǎn)品分析