海量数据挖掘大数据和数据挖掘是什么关系

与挖掘少量数据相比，挖掘海量数据的主要挑战是什么？

下面是一些特定的挑战，它们引发了对数据挖掘的研究。

可伸缩 由于数据产生和收集技术的进步，数吉字节、数太字节甚至数拍字节的数据集越来越普遍。

如果数据挖掘算法要处理这些海量数据集，则算法必须是可伸缩的（scalable）。

许多数据挖掘算法使用特殊的搜索策略处理指数性搜索问题。

可伸缩可能还需要实现新的数据结构，以有效的方式访问个别记录。

例如，当要处理的数据不能放进内存时，可能需要非内存算法。

使用抽样技术或开发并行和分布算法也可以提高可伸缩程度。

高维性 现在，常常遇到具有数以百计或数以千计属性的数据集，而不是数十年前常见的只具有少量属性的数据集。

在生物信息学领域，微阵列技术的进步已经产生了涉及数千特征的基因表达数据。

具有时间或空间分量的数据集也趋向于具有很高的维度。

例如，考虑包含不同地区的温度测量的数据集。

如果温度在一个相当长的时间周期内重复地测量，则维度（特征数）的增长正比于测量的次数。

为低维数据开发的传统的数据分析技术通常不能很好地处理这样的高维数据。

此外，对于某些数据分析算法，随着维度（特征数）的增加，计算复杂性迅速增加。

异种数据和复杂数据 通常，传统的数据分析方法只处理包含相同类型属性的数据集，或者是连续的，或者是分类的。

随着数据挖掘在商务、科学、医学和其他领域的作用越来越大，越来越需要能够处理异种属性的技术。

近年来，已经出现了更复杂的数据对象。

这些非传统的数据类型的例子包括含有半结构化文本和超链接的Web页面集、具有序列和三维结构的DNA数据、包含地球表面不同位置上的时间序列测量值（温度、气压等）的气象数据。

为挖掘这种复杂对象而开发的技术应当考虑数据中的联系，如时间和空间的自相关性、图的连通性、半结构化文本和XML文档中元素之间的父子联系。

数据的所有权与分布 有时，需要分析的数据并非存放在一个站点，或归属一个单位，而是地理上分布在属于多个机构的资源中。

这就需要开发分布式数据挖掘技术。

分布式数据挖掘算法面临的主要挑战包括：(1) 如何降低执行分布式计算所需的通信量？(2) 如何有效地统一从多个资源得到的数据挖掘结果？(3) 如何处理数据安全性问题？ 非传统的分析 传统的统计方法基于一种假设—检验模式。

换句话说，提出一种假设，设计实验来收集数据，然后针对假设分析数据。

但是，这一过程劳力费神。

当前的数据分析任务常常需要产生和评估数以千计的假设，因此希望自动地产生和评估假设导致了一些数据挖掘技术的开发。

此外，数据挖掘所分析的数据集通常不是精心设计的实验的结果，并且它们通常代表数据的时机性样本（opportunistic sample），而不是随机样本（random sample）。

而且，这些数据集常常涉及非传统的数据类型和数据分布。

通常，数据挖掘任务分为下面两大类： l 预测任务。

这些任务的目标是根据其他属性的值，预测特定属性的值。

被预测的属性一般称目标变量（target variable）或因变量（dependent variable），而用来做预测的属性称说明变量（explanatory variable）或自变量（independent variable）。

l 描述任务。

这里，目标是导出概括数据中潜在联系的模式（相关、趋势、聚类、轨迹和异常）。

本质上，描述性数据挖掘任务通常是探查性的，并且常常需要后处理技术验证和解释结果。

数据挖掘的前景如何

现在各个公司对于数据挖掘岗位的技能要求偏应用多一些。

目前市面上的岗位一般分为算法模型、数据挖掘、数据分析三种。

应用及就业领域 当前数据挖掘应用主要集中在电信(客户分析)，零售(销售预测)，农业(行业数据预测)，网络日志(网页定制)，银行(客户欺诈)，电力(客户呼叫)，生物(基因)，天体(星体分类)，化工，医药等方面。

当前它能解决的问题典型在于：数据库营销(Database Marketing)、客户群体划分(Customer Segmentation &Classification)、背景分析(Profile Analysis)、交叉销售(Cross-selling)等市场分析行为，以及客户流失性分析(Churn Analysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等，在许多领域得到了成功的应用。

职业薪酬 就目前来看，和大多IT业的职位一样，数据挖掘方面的人才在国内的需求工作也是低端饱和，高端紧缺。

从BAT的招聘情况来看，数据挖掘领域相对来说门槛还是比较高的，但是薪酬福利也相对来说比较好，常见的比如腾讯、阿里都会给到年薪20W+。

而厉害的资深算法专家年薪百万也是常有的事情，所以大家在算法方面还是大有可能。

另外随着金融越来越互联网化，大量的算法工程师会成为以后互联网金融公司紧缺的人才。

大数据和数据挖掘是什么关系

数据挖掘基于数据库理论，机器学习，人工智能，现代统计学的迅速发展的交叉学科，在很多领域中都有应用。

涉及到很多的算法，源于机器学习的神经网络，决策树，也有基于统计学习理论的支持向量机，分类回归树，和关联分析的诸多算法。

数据挖掘的定义是从海量数据中找到有意义的模式或知识。

大数据有三个重要的特征：数据量大，结构复杂，数据更新速度很快。

由于Web技术的发展，web用户产生的数据自动保存、传感器也在不断收集数据，以及移动互联网的发展，数据自动收集、存储的速度在加快，全世界的数据量在不断膨胀，数据的存储和计算超出了单个计算机(小型机和大型机)的能力，这给数据挖掘技术的实施提出了挑战（一般而言，数据挖掘的实施基于一台小型机或大型机，也可以进行并行计算）。

Google提出了分布式存储文件系统，发展出后来的云存储和云计算的概念。

大数据需要映射为小的单元进行计算，再对所有的结果进行整合，就是所谓的map-reduce算法框架。

在单个计算机上进行的计算仍然需要采用一些数据挖掘技术，区别是原先的一些数据挖掘技术不一定能方便地嵌入到map-reduce框架中，有些算法需要调整。

此外，大数据处理能力的提升也对统计学提出了新的挑战。

统计学理论往往建立在样本上，而在大数据时代，可能得到的是总体，而不再是总体的不放回抽样。