大數據概念、技術、特點、應用與案例_數據分析師考試

一、大數據概念
 
　　"大數據"是一個體量特別大，數據類別特別大的數據集，并且這樣的數據集無法用傳統數據庫工具對其內容進行抓取、管理和處理。 "大數據"首先是指數據體量(volumes)?大，指代大型數據集，一般在10TB?規(guī)模左右，但在實際應用中，很多企業(yè)用戶把多個數據集放在一起，已經形成了PB級的數據量；其次是指數據類別(variety)大，數據來自多種數據源，數據種類和格式日漸豐富，已沖破了以前所限定的結構化數據范疇，囊括了半結構化和非結構化數據。接著是數據處理速度（Velocity）快，在數據量非常龐大的情況下，也能夠做到數據的實時處理。最后一個特點是指數據真實性（Veracity）高，隨著社交數據、企業(yè)內容、交易與應用數據等新數據源的興趣，傳統數據源的局限被打破，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。
 
　　"大數據"是需要新處理模式才能具有更強的決策力、洞察發(fā)現力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產。從數據的類別上看，"大數據"指的是無法使用傳統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處理方法的數據集。 亞馬遜網絡服務（AWS）、大數據科學家JohnRauser提到一個簡單的定義：大數據就是任何超過了一臺計算機處理能力的龐大數據量。 研發(fā)小組對大數據的定義："大數據是最大的宣傳技術、是最時髦的技術，當這種現象出現時，定義就變得很混亂。" Kelly說："大數據是可能不包含所有的信息，但我覺得大部分是正確的。對大數據的一部分認知在于，它是如此之大，分析它需要多個工作負載，這是AWS的定義。當你的技術達到極限時，也就是數據的極限"。 大數據不是關于如何定義，最重要的是如何使用。最大的挑戰(zhàn)在于哪些技術能更好的使用數據以及大數據的應用情況如何。這與傳統的數據庫相比，開源的大數據分析工具的如Hadoop的崛起，這些非結構化的數據服務的價值在哪里。
 
　　二、大數據分析
 
　　從所周知，大數據已經不簡簡單單是數據大的事實了，而最重要的現實是對大數據進行分析，只有通過分析才能獲取很多智能的，深入的，有價值的信息。那么越來越多的應用涉及到大數據，而這些大數據的屬性，包括數量，速度，多樣性等等都是呈現了大數據不斷增長的復雜性，所以大數據的分析方法在大數據領域就顯得尤為重要，可以說是決定最終信息是否有價值的決定性因素?；谌绱说恼J識，大數據分析普遍存在的方法理論有哪些呢？
 
　　1、可視化分析
 
　　大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對于大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了
 
　　2、數據挖掘算法
 
　　大數據分析的理論核心就是數據挖掘算法，各種數據挖掘的算法基于不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的算法才能更快速的處理大數據，如果一個算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
 
　　3、預測性分析能力
 
　　大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之后便可以通過模型帶入新的數據，從而預測未來的數據。
 
　　4、數據質量和數據管理
 
　　大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業(yè)應用領域，都能夠保證分析結果的真實和有價值。 大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業(yè)的大數據分析方法。
 
　　三、大數據技術
 
　　1、數據采集：ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層后進行清洗、轉換、集成，最后加載到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
 
　　2、數據存?。宏P系數據庫、NOSQL、SQL等。
 
　　3、基礎架構：云存儲、分布式文件存儲等。
 
　　4、數據處理：自然語言處理(NLP，NaturalLanguageProcessing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機"理解"自然語言，所以自然語言處理又叫做自然語言理解(NLU，NaturalLanguage Understanding)，也稱為計算語言學(Computational Linguistics。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能(AI, Artificial Intelligence)的核心課題之一。
 
　　5、統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、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、對應分析、多元對應分析（最優(yōu)尺度分析）、bootstrap技術等等。
 
　　6、數據挖掘：分類 （Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規(guī)則（Affinity grouping or association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
 
　　7、模型預測：預測模型、機器學習、建模仿真。
 
　　8、結果呈現：云計算、標簽云、關系圖等。
 
　　四、大數據特點
 
　　要理解大數據這一概念，首先要從"大"入手，"大"是指數據規(guī)模，大數據一般指在10TB(1TB=1024GB)規(guī)模以上的數據量。大數據同過去的海量數據有所區(qū)別，其基本特征可以用4個V來總結(Vol-ume、Variety、Value和Veloc-ity)，即體量大、多樣性、價值密度低、速度快。
 
　　1、 數據體量巨大。從TB級別，躍升到PB級別。
 
　　2、 數據類型繁多，如前文提到的網絡日志、視頻、圖片、地理位置信息，等等。
 
　　3、 價值密度低。以視頻為例，連續(xù)不間斷監(jiān)控過程中，可能有用的數據僅僅有一兩秒。
 
　　4、 處理速度快。1秒定律。最后這一點也是和傳統的數據挖掘技術有著本質的不同。物聯網、云計算、移動互聯網、車聯網、手機、平板電腦、PC以及遍布地球各個角落的各種各樣的傳感器，無一不是數據來源或者承載的方式。
 
　　大數據技術是指從各種各樣類型的巨量數據中，快速獲得有價值信息的技術。解決大數據問題的核心是大數據技術。目前所說的"大數據"不僅指數據本身的規(guī)模，也包括采集數據的工具、平臺和數據分析系統。大數據研發(fā)目的是發(fā)展大數據技術并將其應用到相關領域，通過解決巨量數據處理問題促進其突破性發(fā)展。因此，大數據時代帶來的挑戰(zhàn)不僅體現在如何處理巨量數據從中獲取有價值的信息，也體現在如何加強大數據技術研發(fā)，搶占時代發(fā)展的前沿。