《大数据概念技术特点应用与案例》由会员分享，可在线阅读，更多相关《大数据概念技术特点应用与案例（9页珍藏版）》请在金锄头文库上搜索。
1、本文格式为Word版，下载可任意编辑大数据概念技术特点应用与案例 大数据 目次 一、大数据概念 . 1 二、大数据分析 . 2 三、大数据技术 . 3 四、大数据特点 . 4 五、大数据处理 . 4 六、大数据应用与案例分析 . 6 一、大数据概念 大数据是一个体量更加大，数据类别更加大的数据集，并且这样的数据集无法用传统数据库工具对其内容举行抓取、管理和处理。 大数据首先是指数据体量(volumes)?大，指代大型数据集，一般在10TB?规模左右，但在实际应用中，好多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格
2、式日渐丰富，已冲破了以前所限定的布局化数据范畴，囊括了半布局化和非布局化数据。接着是数据处理速度（Velocity）快，在数据量分外浩瀚的处境下，也能够做到数据的实时处理。结果一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安好性。 大数据是需要新处理模式才能具有更强的决策力、洞察察觉力和流程优化才能的海量、高增长率和多样化的信息资产。从数据的类别上看，大数据指的是无法使用传统流程或工具处理或分析的信息。它定义了那些超出正常处理范围和大小、迫使用户采用非传统处理方法的数据集。
3、 亚马逊网络服务（AWS）、大数据科学家JohnRauser提到一个简朴的定义：大数据就是任何超过了一台计 算机处理才能的浩瀚数据量。 研发小组对大数据的定义：大数据是最大的宣传技术、是最时髦的技术，当这种现象展现时，定义就变得很混乱。说：大数据是可能不包含全体的信息，但我觉得大片面是正确的。对大数据的一片面认知在于，它是如此之大，分析它需要多个工作负载，这是AWS的定义。当你的技术达成极限时，也就是数据的极限。 大数据不是关于如何定义，最重要的是如何使用。最大的挑战在于哪些技术能更好的使用数据以及大数据的应用处境如何。这与传统的数据库相比，开源的大数据分析工具的如Hadoop的崛起，这些非布
4、局化的数据服务的价值在哪里。 二、大数据分析 从所周知，大数据已经不简简朴单是数据大的事实了，而最重要的现实 是对大数据举行分析，只有通过分析才能获取好多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的繁杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是抉择最终信息是否有价值的抉择性因素。基于如此的熟悉，大数据分析普遍存在的方法理论有哪些呢？ 1、可视化分析 大数据分析的使用者有大数据分析专家，同时还有普遍用户，但是他们二者对于大数据分析最根本的要求就是可视化分析，由于可视化分析能够直观的呈现大数
5、据特点，同时能够分外轻易被读者所采纳，就宛如看图说话一样简朴领略 2、数据挖掘算法 大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是由于这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是由于有这些数据挖掘的算法才能更快速的处理大数据，假设一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。 3、预料性分析才能 大数据分析最终要的应用领域之一就是预料性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预料未来的数据
6、。 4、数据质量和数据管理 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 大数据分析的根基就是以上五个方面，当然更加深入大数据分析的话，还有好多好多更加有特点的、更加深入的、更加专业的大数据分析方法。 三、大数据技术 1、数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、 平面数据文件等抽取到临时中间层后举行清洗、转换、集成，结果加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的根基。 2、数据存取：关系数据库、NOSQL、SQL等。 3、根基架构：云存储、分布式文件存储等。 4、数
7、据处理：自然语言处理(NLP，NaturalLanguageProcessing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机理解自然语言，所以自然语言处理又叫做自然语言理解(NLU，NaturalLanguage Understanding)，也称为计算语言学(Computational Linguistics。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。 5、统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简朴回归分
8、析、多元回归分析、逐步回归、回归预料与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。 6、数据挖掘：分类 （Classification）、估计（Estimation）、预料（Prediction）、相关性分组或关联规矩（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、 繁杂数据类型挖掘(Text, Web ,图
9、形图像，视频，音频等) 7、模型预料：预料模型、机器学习、建模仿真。 8、结果呈现：云计算、标签云、关系图等。 四、大数据特点 要理解大数据这一概念，首先要从大入手，大是指数据规模，大数据一般指在10TB(1TB=1024GB)规模以上的数据量。大数据同过去的海量数据有所识别，其根本特征可以用4个V来总结(Vol-ume、Variety、Value和Veloc-ity)，即体量大、多样性、价值密度低、速度快。 1、 2、 3、 4、 数据体量巨大。从TB级别，跃升到PB级别。 数据类型繁多，如前文提到的网络日志、视频、图片、地理位置信息，等等。 价值密度低。以视频为例，连续不休止监控过程中，可
10、能有用的数据仅仅有一两秒。 处理速度快。1秒定律。结果这一点也是和传统的数据挖掘技术有着本质的不同。物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式。 大数据技术是指从各种各样类型的巨量数据中，快速获得有价值信息的技术。解决大数据问题的核心是大数据技术。目前所说的大数据不仅指数据本身的规模，也包括采集数据的工具、平台和数据分析系统。大数据研发目的是进展大数据技术并将其应用到相关领域，通过解决巨量数据处理问题促进其突破性进展。因此，大数据时代带来的挑战不仅表达在如何处理巨量数据从中获取有价值的信息，也表达在如何加强大数
11、据技术研发，抢占时代进展的前沿。 五、大数据处理 大数据处理之一：采集 大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，并且用户可以通过这些数据库来举行简朴的查询和处理 工作。譬如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。 在大数据的采集过程中，其主要特点和挑战是并发数高，由于同时有可能会有成千上万的用户来举行访问和操作，譬如火车票售票网站和淘宝，它们并发的访问量在峰值时达成上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库
12、之间举行负载均衡和分片确实是需要深入的斟酌和设计。 大数据处理之二：导入/预处理 虽然采集端本身会有好多数据库，但是假设要对这些海量数据举行有效的分析，还是理应将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入根基上做一些简朴的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据举行流式计算，来得志片面业务的实时计算需求。 导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达成百兆，甚至千兆级别。 大数据处理之三：统计/分析 统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据举行普遍的分析和分类汇总等，以得志大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半布局化数据的需求可以使用Hadoop。 统计与分析这片面的主要特点和挑战是分析涉及的数据量大，其对系统资源，更加是I/O会有极大的占用。 大数据处理之四：挖掘 与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面举行基于各种算法的计算，从而起到预料（Predict） 9
