大資料：是資料科學中的一個分支，至于資料科學，其被認為是數學，計算機知識和某個專業領域知識的交叉學科，計算機知識和數學的交集區域，被稱為機器學習；數學和某專業領域知識的交集，屬于傳統研究范疇，而且大資料領域又可以劃分為幾個主要的方向：
- 資料平臺 （Data Platform）: 構建、維護穩定、安全的大資料平臺，按需設計大資料架構，調研大資料產品、方案、實施部署上線，
- 資料采集（Data Collecting）: 從網頁/Sensor/RDBMS等渠道獲取資料，為大資料平臺提供資料來源，如：Apache Nutch 是開源的分布式資料采集組件，Python爬蟲框架ScraPy等，
- 資料倉庫（Data Warehouse）: 設計數倉層級結構、ETL、進行資料建模，如：Hive就是基于Hadoop的資料倉庫，
- 資料處理（Data Processing）: 完成某種特定需求中的處理或者資料清洗，結合在資料倉庫中一起做的，利用工具直接配置處理，寫代碼的部分比較少，是資料分析、資料挖掘等作業的基礎，
- 資料分析 （Data Analysis）: 基于統計分析方法開展作業，如：回歸分析，方差分析等，
- 資料挖掘（Data Mining）: 概念較為寬泛，設計在大資料平臺上實作演算法：分類，聚類，關聯分析等，
- 機器學習（Machine Learning）: 與資料挖掘比較相近，是計算機與統計學交叉的學科，基于業務目標學習一個函式（映射），做分類或者回歸的作業，如：個性化推薦，
- 深度學習（Deep Learning）: 機器學習的一個分支，利用神經網路，處理影像、語音、自然語言等分類和識別這些分類，調參是很重要的部分，
- 資料可視化（Data Visualization）: 分析、挖掘后得到的資料結果以合適與恰當的方式展示出來，
- 資料應用（Data Application）: 廣告精準投放、個性化推薦、用戶畫像等，
現今普光率比較高的分支，資料分析、資料挖掘、機器學習、資料可視化和深度學習，其中深度學習和人工智能的關系非常緊密，被認為是AI發展的基礎，
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/245136.html
標籤：大數據
上一篇：求救
下一篇：標簽管理體系之業務應用