我们应该如何利用大数据？ 大数据包含几个方面的内涵 1. 数据量大，TB，PB，乃至EB等数据量的数据需要分析处理。 2. 要求快速响应，市场变化快，要求能及时快速的响应变化，那对数据的分析
也要快速，在性能上有更高要求，所以数据量显得对速度要求有些“大”。 3. 数据多样性：不同的数据源，非结构化数据越来越多，需要进行清洗，整理
随着业务的不断扩张和历史数据的不断增加，数据量的增长是持续的。 如果需要分析大数据，则可以Hadoop等开源大数据项目，或Yonghong Z-Suite等
商业大数据BI工具。
不同行业的数据有不同的自身特点，还需要结合自身的行业知识才能把大数据 转换为价值。
hadoop如何维护30天数据的问题？
建一个池子放30天数据，属于可能要更新的
如果想应对大数据时代，数据挖掘这门课是少不了的。此外对数据库，特别 是并行数据库、分布式数据库，最好了解点。至于机器学习和模式识别 ，这些总的来说和数据挖掘关系不太大，除了一些特殊的领域外。
总之，概念挺热，但大数据还很不成熟，无论从研究上还是商业化上。我目 前在作大数据背景下的算法研究，说实பைடு நூலகம்，目前基本没有拓展性非常强 的算法，所以未来大数据的发展方向，我也挺迷茫。
杂特性的信息中挖掘出用户所需的情报,难度较以往有了很大的提升.要在发 展中抢 占先机,在大数据时代获取竞争优势,就必须对原有的情报分析思路进 行必要的升级改造,以满足信息的情报属性.文章在介绍了大数据以及大数据 环境下情报内涵 转变的原因之后,提出了一种在
基于情报分析的“大数据”现象研究.pdf 本文首先对国内外期刊、报纸上发表的大数据相关文献进行分析，以关键词为
大数据分析相比于传统的数据仓库应用，具有数据量大、查询分析复杂等特点。《 计算机学报》刊登的“架构大数据:挑战、现状与展望”一文列举了大数据分析平 台需要具备的几个重要特性，对当前的主流实现平台———并行数据库、 MapReduce及基于两者的混合架构进行了分析归纳，指出了各自的优势及不足， 同时也对各个方向的研究现状及作者在大数据分析方面的努力进行了介绍，对未 来研究做了展望。
数据挖掘：从数据中提取潜在知识，这些知识可以描述或者预测数据的特性 。有代表性的数据挖掘任务包括关联规则分析、数据分类、数据聚类等 ，这些你在任一本数据挖掘教材都可以了解。下面我说说和大数据的区 别：数据挖掘只是大数据处理的一个方法。马云所说的大数据，或者如 今商业领域所说的大数据，实际上指的就是数据挖掘，其实真正所谓大 数据，或者Science杂志中提到的大数据，或者奥巴马提出的大数据发展 战略，我的理解是，这些都远远大于数据挖掘的范畴，当然数据挖掘是 其中很重要的一个方法。真正目的是如何将大数据进行有效管理。
给你解释一下这些术语：
云计算：就是个炒得很热的商业概念，其实说白了就是将计算任务转移到服 务器端，用户只需要个显示器就行了，不过服务器的计算资源可以转包 。当然，要想大规模商业化，这里还有些问题，特别是隐私保护问题。
大数据：说白了就是数据太多了。如今几兆的数据在20年前也是大数据。但 如今所说的大数据特殊在哪呢？如今的问题是数据实在是太多了，这已 经超过了传统计算机的处理能力（区别与量子计算机），所以对于大数 据我们不得不用一些折衷的办法（比如数据挖掘），就是说没必要所有 数据都需要精确管理，实际上有效数据很有限，用数据挖掘的方法把这 些有限的知识提取出来就行了。·此外，数据抽样，数据压缩也是解决 大数据问题的一些策略。
机器学习：这个词很虚，泛指了一大类计算机算法。重点是学习这个词，如 果想让计算机有效学习，目前绝大多数方法都采用了迭代的方法。所以 在科研界，只要是采用了这种迭代并不断逼近的策略，一般都可以归到 机器学习的范畴。此外，所谓学习，肯定要知道学什么，这就是所谓训 练集，从训练集数据中计算机要学到其中的某个一般规律，然后用一些 别的数据（即测试集）来看看学得好不好，之后才能用于实际应用。所 以，选取合适的训练集也是个学问。
大数据的4个“V”，或者说特点有四个层面：第一，数据体量巨大。从TB 级别，跃升到PB级别；第二，数据类型繁多。前文提到的网络日志、视 频、图片、地理位置信息等等。第三，价值密度低，商业价值高。以视 频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。第四 ，处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本 质的不同。业界将其归纳为4个“V”——Volume，Variety，Value， Velocity。
最近再学习JSP ，现在涉及到了数据库，请问要是Mysql还是sql server 比较好 ？
如果你是学习用，看自己对那个更熟悉一点就选择哪个
如果公司商务上应用，请考虑成本，SQLSERVER是微软的，部署要收费的 ，mysql不同了，免费。
云计算，大数据，数据挖掘，机器学习，模式识别。这些概念之间的关系是 怎么样的？
主要对象进行文献计量。发现这些文献出现的高频关键词中，实体机构占较 重的比例。因此以这些机构、企业为重点对象，结合它们的观点以及具体行 为进行重点研究。之后又提取了一些不属于业界机构的关键词，分别从学术 以及政府行为角度对大数据带来的变化进行了分析。
找到自己的消费者。过去单纯用年龄、性别、教育程度、月收入去描述消费 者犹如面对一张曝光不足的照片，情景十分模糊；听了10个品牌的消费者细 分报告之后，我们往往会发现他们希望勾勒的竟然是同一类人。
连线杂志：创意才是大数据时代的关键？.pdf 资诚企管顼问执行董事刘镜清，曾经担仸IBM工商事业群怪经理，是Big Data在
，筛选等操作，变为结构数据。 4. 价值密度低，由于数据采集的不及时，数据样本不全面，数据可能不连续等
等，数据可能会失真，但当数据量达到一定规模，可以通过更多的数据达到 更真实全面的反馈。
很多行业都会有大数据需求，譬如电信行业，互联网行业等等容易产生大量数 据的行业，很多传统行业，譬如医药，教育，采矿，电力等等任何行业，都 会有大数据需求。
模式识别：意思就是模式的识别。模式多种多样，可以是语言，可以是图像 ，可以是事物一些有意义的模块，这些都算。所以总体来说，模式识别 这个词我是觉得有点虚，倒是具体的人脸图像识别、声音识别等，这些 倒是挺实在的。也许是我不太了解吧。
另外说说你的其他问题。
传统分析方法不包括数据挖掘。对于数据分析这块我不是很了解，不过可以 肯定的是，传统分析都有一定的分析方向，比如我就想知道这两个商品 的关联情况，那我查查数据库就行了。数据挖掘虽说有些历史，不过也 挺时髦的，它是自动将那些关联程度大的商品告诉你，这期间不需要用 户指定数据分析的具体对象。
bigdata数据大爆炸
资讯： 大数据大价值 爱尔兰新建国家大数据分析研究中心 大数据2014年五大趋势 人生，就是一场数据挖掘 大数据人才紧缺 拥抱大数据，盘点全球大数据公司 大数据时代 ，"数"中自有黄金屋 ——大数据与农业 ”新的石油“——怎样搭上“大数据”这班快车
问答：
大数据是什么？
“大数据”作为时下最火热的IT行业的词汇，随之数据仓库、数据安全、数 据分析、数据挖掘等等围绕大数量的商业价值的利用逐渐成为行业人士 争相追捧的利润焦点。大数据[1]技术的战略意义不在于掌握庞大的数据 信息，而在于对这些含有意义的数据进行专业化处理。换言之，如果把 大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据 的“加工能力”，通过“加工”实现数据的“增值”。且中国物联网校 企联盟认为，物联网的发展离不开大数据，依靠大数据提供足够有利的 资源。
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。
什么叫大数据，与云计算有何关系？
大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透 过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成 为帮助企业经营决策更积极目的的资讯。 大数据的4V特点：Volume、 Velocity、Variety、Veracity。大的数据需要特殊的技术，以有效地处理大 量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处 理（MPP）数据库，数据挖掘电网，分布式文件系统，分布式数据库， 云计算平台，互联网，和可扩展的存储系统。
对于“大数据”（Big data）研究机构Gartner给出了这样的定义。“大数据 ”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能 力的海量、高增长率和多样化的信息资产。
大数据”这个术语最早期的引用可追溯到apache org的开源项目Nutch。当时 ，大数据用来描述为更新网络搜索索引需要同时进行批量处理或分析的 大量数据集。随着谷歌MapReduce和GoogleFile System （GFS）的发布， 大数据不再仅用来描述大量的数据，还涵盖了处理数据的速度。
随着云时代的来临，大数据（Big data）也吸引了越来越多的关注。《著云台》的分 析师团队认为，大数据（Big data）通常用来形容一个公司创造的大量非结构化和 半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金 钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像 MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。
大数据时代的挑战、价值与应对策略.pdf 随着全球数据量爆炸式的增长，大数据时代已经到来。文章从大数据时代的基
本特征入 手，引出了大数据日寸代面临的挑战以及大数据带来的价值，提 出了以创新为核心的务实应 对策略。
大数据时代下的情报分析与挖掘技术研究——电信客户流失情况分析.pdf 大数据时代下的信息具有体量大、复杂性高、更新速度快的特点,从具有如此复
国内推展的先头部队。他可以分享的Big Data成功应用案例，丌可胜数；但 他也提醒，「Idea」才是最重要的分母。
大数据之数据挖掘导论.pdf 大数据；智慧城市；大数据解决方案；数据挖掘