近日，Ramesh Dontha 在 DataConomy 上連發(fā)兩篇文章，扼要而全面地介紹了關(guān)于大數(shù)據(jù)的 75 個核心術(shù)語，這不僅是大數(shù)據(jù)初學(xué)者的很好的入門資料，對于高階從業(yè)人員也可以起到查缺補漏的作用。本文分為上篇(25 個術(shù)語)和下篇(50 個術(shù)語)。機器之心對文章進行了編譯，原文鏈接請見文末。

上篇(25 個術(shù)語)

如果你剛接觸大數(shù)據(jù)，你可能會覺得這個領(lǐng)域很難以理解，無從下手。不過，你可以從下面這份包含了 25 個大數(shù)據(jù)術(shù)語的清單入手，那么我們開始吧。

算法(Algorithm) ：算法可以理解成一種數(shù)學(xué)公式或用于進行數(shù)據(jù)分析的統(tǒng)計學(xué)過程。那么，「算法」又是何以與大數(shù)據(jù)扯上關(guān)系的呢 要知道，盡管算法這個詞是一個統(tǒng)稱，但是在這個流行大數(shù)據(jù)分析的時代，算法也經(jīng)常被提及且變得越發(fā)流行。

分析(Analytics) ：讓我們試想一個很可能發(fā)生的情況，你的信用卡公司給你發(fā)了封記錄著你全年卡內(nèi)資金轉(zhuǎn)賬情況的郵件，如果這個時候你拿著這張單子，開始認真研究你在食品、衣物、娛樂等方面消費情況的百分比會怎樣 你正在進行分析工作，你在從你原始的數(shù)據(jù)(這些數(shù)據(jù)可以幫助你為來年自己的消費情況作出決定)中挖掘有用的信息。那么，如果你以類似的方法在推特和臉書上對整個城市人們發(fā)的帖子進行處理會如何呢 在這種情況下，我們就可以稱之為大數(shù)據(jù)分析。所謂大數(shù)據(jù)分析，就是對大量數(shù)據(jù)進行推理并從中道出有用的信息。以下有三種不同類型的分析方法，現(xiàn)在我們來對它們分別進行梳理。

描述性分析法(Descriptive Analytics) ：如果你只說出自己去年信用卡消費情況為：食品方面 25%、衣物方面 35%、娛樂方面 20%、剩下 20% 為雜項開支，那么這種分析方法被稱為描述性分析法。當(dāng)然，你也可以找出更多細節(jié)。

預(yù)測性分析法(Predictive Analytics) ：如果你對過去 5 年信用卡消費的歷史進行了分析，發(fā)現(xiàn)每年的消費情況基本上呈現(xiàn)一個連續(xù)變化的趨勢，那么在這種情況下你就可以高概率預(yù)測出：來年的消費狀態(tài)應(yīng)該和以往是類似的。這不是說我們在預(yù)測未來，而是應(yīng)該理解為，我們在「用概率預(yù)測」可能發(fā)生什么事情。在大數(shù)據(jù)的預(yù)測分析中，數(shù)據(jù)科學(xué)家可能會使用先進的技術(shù)，如機器學(xué)習(xí)，和先進的統(tǒng)計學(xué)處理方法(這部分后面我們會談到)來預(yù)測天氣情況、經(jīng)濟變化等等。

規(guī)范性分析(Prescriptive Analytics) ：這里我們還是用信用卡轉(zhuǎn)賬的例子來理解。假如你想找出自己的哪類消費(如食品、娛樂、衣物等等)可以對整體消費產(chǎn)生巨大影響，那么基于預(yù)測性分析(Predictive Analytics)的規(guī)范性分析法通過引入「動態(tài)指標(biāo)(action)」(如減少食品或衣物或娛樂)以及對由此產(chǎn)生的結(jié)果進行分析來規(guī)定一個可以降低你整體開銷的最佳消費項。你可以將它延伸到大數(shù)據(jù)領(lǐng)域，并想象一個負責(zé)人是如何通過觀察他面前多種動態(tài)指標(biāo)的影響，進而作出所謂由「數(shù)據(jù)驅(qū)動」的決策的。

批處理(Batch processing) ：盡管批量數(shù)據(jù)處理從大型機(mainframe)時代就已經(jīng)存在了，但是在處理大量數(shù)據(jù)的大數(shù)據(jù)時代面前，批處理獲得了更重要的意義。批量數(shù)據(jù)處理是一種處理大量數(shù)據(jù)(如在一段時間內(nèi)收集到的一堆交易數(shù)據(jù))的有效方法。分布式計算(hadoop)，后面會討論，就是一種專門處理批量數(shù)據(jù)的方法。

Cassandra 是一個很流行的開源數(shù)據(jù)管理系統(tǒng)，由 Apache Software Foundation 開發(fā)并運營。Apache 掌握了很多大數(shù)據(jù)處理技術(shù)，Cassandra 就是他們專門設(shè)計用于在分布式服務(wù)器之間處理大量數(shù)據(jù)的系統(tǒng)。

云計算(Cloud computing) ：雖然云計算這個詞現(xiàn)在已經(jīng)家喻戶曉，這里大可不必贅述，但是為了全篇內(nèi)容完整性的考慮，筆者還是在這里加入了云計算詞條。本質(zhì)上講，軟件或數(shù)據(jù)在遠程服務(wù)器上進行處理，并且這些資源可以在網(wǎng)絡(luò)上任何地方被訪問，那么它就可被稱為云計算。

集群計算(Cluster computing) ：這是一個來描述使用多個服務(wù)器豐富資源的一個集群(cluster)的計算的形象化術(shù)語。更技術(shù)層面的理解是，在集群處理的語境下，我們可能會討論節(jié)點(node)、集群管理層(cluster management layer)、負載平衡(load balancing)和并行處理(parallel processing)等等。

暗數(shù)據(jù)(Dark data) ：這是一個生造詞，在筆者看來，它是用來嚇唬人，讓高級管理聽上去晦澀難懂的?；径?，所謂暗數(shù)據(jù)指的是，那些公司積累和處理的實際上完全用不到的所有數(shù)據(jù)，從這個意義上來說我們稱它們?yōu)椤赴怠沟臄?shù)據(jù)，它們有可能根本不會被分析。這些數(shù)據(jù)可以是社交網(wǎng)絡(luò)中的信息，電話中心的記錄，會議記錄等等。很多估計認為所有公司的數(shù)據(jù)中有 60% 到 90% 不等可能是暗數(shù)據(jù)，但實際上沒人知道。

數(shù)據(jù)湖(Data lake) ：當(dāng)筆者第一次聽到這個詞時，真的以為這是個愚人節(jié)笑話。但是它真的是一個術(shù)語。所以一個數(shù)據(jù)湖(data lake)即一個以大量原始格式保存了公司級別的數(shù)據(jù)知識庫。這里我們介紹一下數(shù)據(jù)倉庫(Data warehouse)。數(shù)據(jù)倉庫是一個與這里提到的數(shù)據(jù)湖類似的概念，但不同的是，它保存的是經(jīng)過清理和并且其它資源整合后的結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)倉庫經(jīng)常被用于通用數(shù)據(jù)(但不一定如此)。一般認為，一個數(shù)據(jù)湖可以讓人更方便地接觸到那些你真正需要的數(shù)據(jù)，此外，你也可以更方便地處理、有效地使用它們。

數(shù)據(jù)挖掘(Data mining) ：數(shù)據(jù)挖掘關(guān)乎如下過程，從一大群數(shù)據(jù)中以復(fù)雜的模式識別技巧找出有意義的模式，并且得到相關(guān)洞見。它與前文所述的「分析」息息相關(guān)，在數(shù)據(jù)挖掘中，你將會先對數(shù)據(jù)進行挖掘，然后對這些得到的結(jié)果進行分析。為了得到有意義的模式(pattern)，數(shù)據(jù)挖掘人員會使用到統(tǒng)計學(xué)(一種經(jīng)典的舊方法)、機器學(xué)習(xí)算法和人工智能。

數(shù)據(jù)科學(xué)家 ：數(shù)據(jù)科學(xué)家是時下非常性感的一門行業(yè)。它指那些可以通過提取原始數(shù)據(jù)(這就是我們前面所謂的數(shù)據(jù)湖)進而理解、處理并得出洞見的這樣一批人。部分數(shù)據(jù)科學(xué)家必備的技能可以說只有超人才有：分析能力、統(tǒng)計學(xué)、計算機科學(xué)、創(chuàng)造力、講故事能力以及理解商業(yè)背景的能力。難怪這幫人工資很高。

分布式文件系統(tǒng)(Distributed File System) ：大數(shù)據(jù)數(shù)量太大，不能存儲在一個單獨的系統(tǒng)中，分布式文件系統(tǒng)是一個能夠把大量數(shù)據(jù)存儲在多個存儲設(shè)備上的文件系統(tǒng)，它能夠減少存儲大量數(shù)據(jù)的成本和復(fù)雜度。

ETL ：ETL 代表提取、轉(zhuǎn)換和加載。它指的是這一個過程：「提取」原始數(shù)據(jù)，通過清洗/豐富的手段，把數(shù)據(jù)「轉(zhuǎn)換」為「適合使用」的形式，并且將其「加載」到合適的庫中供系統(tǒng)使用。即使 ETL 源自數(shù)據(jù)倉庫，但是這個過程在獲取數(shù)據(jù)的時候也在被使用，例如，在大數(shù)據(jù)系統(tǒng)中從外部源獲得數(shù)據(jù)。

Hadoop ：當(dāng)人們思考大數(shù)據(jù)的時候，他們會立即想到 Hadoop。Hadoop 是一個開源軟件架構(gòu)(logo 是一頭可愛的大象)，它由 Hadoop 分布式文件系統(tǒng)(HDFS)構(gòu)成，它允許使用分布式硬件對大數(shù)據(jù)進行存儲、抽象和分析。如果你真的想讓某人對這個東西印象深刻，你可以跟他說 YARN(Yet Another Resource Scheduler)，顧名思義，就是另一個資源調(diào)度器。我確實被提出這些名字的人深深震撼了。提出 Hadoop 的 Apache 基金會，還負責(zé) Pig、Hive 以及 Spark(這都是一些軟件的名字)。你沒有被這些名字驚艷到嗎

內(nèi)存計算(In-memory computing) ：通常認為，任何不涉及到 I/O 訪問的計算都會更快一些。內(nèi)存計算就是這樣的技術(shù)，它把所有的工作數(shù)據(jù)集都移動到集群的集體內(nèi)存中，避免了在計算過程中向磁盤寫入中間結(jié)果。Apache Spark 就是一個內(nèi)存計算的系統(tǒng)，它相對 Mapreduce 這類 I/O 綁定的系統(tǒng)具有很大的優(yōu)勢。

物聯(lián)網(wǎng)(IoT) ：最新的流行語就是物聯(lián)網(wǎng)(IoT)。IoT 是嵌入式對象中(如傳感器、可穿戴設(shè)備、車、冰箱等等)的計算設(shè)備通過英特網(wǎng)的互聯(lián)，它們能夠收發(fā)數(shù)據(jù)。物聯(lián)網(wǎng)生成了海量的數(shù)據(jù)，帶來了很多大數(shù)據(jù)分析的機遇。

機器學(xué)習(xí)(Machine Learning) ：機器學(xué)習(xí)是基于喂入的數(shù)據(jù)去設(shè)計能夠?qū)W習(xí)、調(diào)整和提升的系統(tǒng)的一種方法。使用設(shè)定的預(yù)測和統(tǒng)計算法，它們持續(xù)地逼近「正確的」行為和想法，隨著更多的數(shù)據(jù)被輸入到系統(tǒng)，它們能夠進一步提升。

MapReduce： MapReduce 可能有點難以理解，我試著解釋一下吧。MapReduceMapReduce 是一個編程模型，最好的理解就是要注意到 Map 和 Reduce 是兩個不同的過程。在 MapReduce 中，程序模型首先將大數(shù)據(jù)集分割成一些小塊(這些小塊拿技術(shù)術(shù)語來講叫做「元組」，但是我描述的時候會盡量避免晦澀的技術(shù)術(shù)語)，然后這些小塊會被分發(fā)給不同位置上的不同計算機(也就是說之前描述過的集群)，這在 Map 過程是必須的。然后模型會收集每個計算結(jié)果，并且將它們「reduce」成一個部分。MapReduce 的數(shù)據(jù)處理模型和 Hadoop 分布式文件系統(tǒng)是分不開的。

非關(guān)系型數(shù)據(jù)庫(NoSQL) ：這個詞聽起來幾乎就是「SQL，結(jié)構(gòu)化查詢語言」的反義詞，SQL 是傳統(tǒng)的關(guān)系型數(shù)據(jù)管理系統(tǒng)(RDBMS)必需的，但是 NOSQL 實際上指的是「不止 SQL」。NoSQL 實際上指的是那些被設(shè)計來處理沒有結(jié)構(gòu)(或者沒有「schema」，綱要)的大量數(shù)據(jù)的數(shù)據(jù)庫管理系統(tǒng)。NoSQL 適合大數(shù)據(jù)系統(tǒng)，因為大規(guī)模的非結(jié)構(gòu)化數(shù)據(jù)庫需要 NoSQL 的這種靈活性和分布式優(yōu)先的特點。

R 語言 ：這還有人能給一個編程語言起一個更加糟糕的名字嗎 R 語言就是這樣的語言。不過，R 語言是一個在統(tǒng)計工作中工作得很好的語言。如果你不知道 R 語言，別說你是數(shù)據(jù)科學(xué)家。因為 R 語言是數(shù)據(jù)科學(xué)中最流行的編程語言之一。

Spark(Apache Spark) :Apache Spark 是一個快速的內(nèi)存數(shù)據(jù)處理引擎，它能夠有效地執(zhí)行那些需要迭代訪問數(shù)據(jù)庫的流處理、機器學(xué)習(xí)以及 SQL 負載。Spark 通常會比我們前面討論過的 MapReduce 快好多。

流處理(Stream processing) :流處理被設(shè)計來用于持續(xù)地進行流數(shù)據(jù)的處理。與流分析技術(shù)(指的是能夠持續(xù)地計算數(shù)值和統(tǒng)計分析的能力)結(jié)合起來，流處理方法特別能夠針對大規(guī)模數(shù)據(jù)的實時處理。

結(jié)構(gòu)化 vs 非結(jié)構(gòu)化數(shù)據(jù)(Structured v Unstructured Data) ：這是大數(shù)據(jù)中的對比之一。結(jié)構(gòu)化數(shù)據(jù)基本上是那些能夠被放在關(guān)系型數(shù)據(jù)庫中的任何數(shù)據(jù)，以這種方式組織的數(shù)據(jù)可以與其他數(shù)據(jù)通過表格來關(guān)聯(lián)。非結(jié)構(gòu)化數(shù)據(jù)是指任何不能夠被放在關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)，例如郵件信息、社交媒體上的狀態(tài)，以及人類語音等等。

下篇(50 個術(shù)語)

這篇文章是上篇文章的延續(xù)，由于上篇反響熱烈，我決定多介紹 50 個相關(guān)術(shù)語。下面來對上篇文章涵蓋的術(shù)語做個簡短的回顧：算法，分析，描述性分析，預(yù)處理分析，預(yù)測分析，批處理，Cassandra(一個大規(guī)模分布式數(shù)據(jù)存儲系統(tǒng))，云計算，集群計算，暗數(shù)據(jù)，數(shù)據(jù)湖，數(shù)據(jù)挖掘，數(shù)據(jù)科學(xué)家，分布式文件系統(tǒng)，ETL，Hadoop(一個開發(fā)和運行處理大規(guī)模數(shù)據(jù)的軟件平臺)，內(nèi)存計算，物聯(lián)網(wǎng)，機器學(xué)習(xí)，Mapreduce(hadoop 的核心組件之一)，NoSQL(非關(guān)系型的數(shù)據(jù)庫)，R，Spark(計算引擎)，流處理，結(jié)構(gòu)化 vs 非結(jié)構(gòu)化數(shù)據(jù)。

我們接下來繼續(xù)了解另外 50 個大數(shù)據(jù)術(shù)語。

Apache 軟件基金會(ASF) 提供了許多大數(shù)據(jù)的開源項目，目前有 350 多個。解釋完這些項目需要耗費大量時間，所以我只挑選解釋了一些流行術(shù)語。

Apache Kafka ：命名于捷克作家卡夫卡，用于構(gòu)建實時數(shù)據(jù)管道和流媒體應(yīng)用。它如此流行的原因在于能夠以容錯的方式存儲、管理和處理數(shù)據(jù)流，據(jù)說還非常「快速」。鑒于社交網(wǎng)絡(luò)環(huán)境大量涉及數(shù)據(jù)流的處理，卡夫卡目前非常受歡迎。

Apache Mahout ：Mahout 提供了一個用于機器學(xué)習(xí)和數(shù)據(jù)挖掘的預(yù)制算法庫，也可用作創(chuàng)建更多算法的環(huán)境。換句話說，機器學(xué)習(xí)極客的最佳環(huán)境。

Apache Oozie ：在任何編程環(huán)境中，你都需要一些工作流系統(tǒng)通過預(yù)定義的方式和定義的依賴關(guān)系，安排和運行工作。 Oozie 為 pig、MapReduce 以及 Hive 等語言編寫的大數(shù)據(jù)工作所提供正是這個。

Apache Drill, Apache Impala, Apache Spark SQL ： 這三個開源項目都提供快速和交互式的 SQL，如與 Apache Hadoop 數(shù)據(jù)的交互。如果你已經(jīng)知道 SQL 并處理以大數(shù)據(jù)格式存儲的數(shù)據(jù)(即 HBase 或 HDFS)，這些功能將非常有用。抱歉，這里說的有點奇怪。

Apache Hive ：知道 SQL 嗎 如果知道那你就很好上手 Hive 了。Hive 有助于使用 SQL 讀取、寫入和管理駐留在分布式存儲中的大型數(shù)據(jù)集。

Apache Pig ：Pig 是在大型分布式數(shù)據(jù)集上創(chuàng)建、查詢、執(zhí)行例程的平臺。所使用的腳本語言叫做 Pig Latin(我絕對不是瞎說，相信我)。據(jù)說 Pig 很容易理解和學(xué)習(xí)。但是我很懷疑有多少是可以學(xué)習(xí)的

Apache Sqoop ：一個用于將數(shù)據(jù)從 Hadoop 轉(zhuǎn)移到非 Hadoop 數(shù)據(jù)存儲(如數(shù)據(jù)倉庫和關(guān)系數(shù)據(jù)庫)的工具。

Apache Storm ：一個免費開源的實時分布式計算系統(tǒng)。它使得使用 Hadoop 進行批處理的同時可以更容易地處理非結(jié)構(gòu)化數(shù)據(jù)。

人工智能(AI)： 為什么 AI 出現(xiàn)在這里 你可能會問，這不是一個單獨的領(lǐng)域嗎 所有這些技術(shù)發(fā)展趨勢緊密相連，所以我們最好靜下心來繼續(xù)學(xué)習(xí)，對吧 AI 以軟硬件結(jié)合的方式開發(fā)智能機器和軟件，這種硬件和軟件的結(jié)合能夠感知環(huán)境并在需要時采取必要的行動，不斷從這些行動中學(xué)習(xí)。是不是聽起來很像機器學(xué)習(xí) 跟我一起「困惑」吧。

行為分析(Behavioral Analytics) ：你有沒有想過谷歌是如何為你需要的產(chǎn)品/服務(wù)提供廣告的 行為分析側(cè)重于理解消費者和應(yīng)用程序所做的事情，以及如何與為什么它們以某種方式起作用。這涉及了解我們的上網(wǎng)模式，社交媒體互動行為，以及我們的網(wǎng)上購物活動(購物車等)，連接這些無關(guān)的數(shù)據(jù)點，并試圖預(yù)測結(jié)果。舉一個例子，在我找到一家酒店并清空購物車后，我收到了度假村假期線路的電話。我還要說多點嗎

Brontobytes： 1 后面 27 個零，這是未來數(shù)字世界存儲單位的大小。而我們在這里，來談?wù)?Terabyte、Petabyte、Exabyte、Zetabyte、Yottabyte 和 Brontobyte。你一定要讀這篇文章才能深入了解這些術(shù)語。

商業(yè)智能(Business Intelligence) ：我將重用 Gartner 對 BI 的定義，因為它解釋的很好。商業(yè)智能是一個總稱，包括應(yīng)用程序、基礎(chǔ)設(shè)施、工具以及最佳實踐，它可以訪問和分析信息，從而改善和優(yōu)化決策及績效。

生物測定學(xué)(Biometrics) ：這是一項 James Bondish 技術(shù)與分析技術(shù)相結(jié)合的通過人體的一種或多種物理特征來識別人的技術(shù)，如面部識別，虹膜識別，指紋識別等。

點擊流分析(Clickstream analytics) ：用于分析用戶在網(wǎng)絡(luò)上瀏覽時的在線點擊數(shù)據(jù)。有沒有想過即使在切換網(wǎng)站時，為什么某些谷歌廣告還是陰魂不散 因為谷歌大佬知道你在點擊什么。

聚類分析(Cluster Analysis) 是一個試圖識別數(shù)據(jù)結(jié)構(gòu)的探索性分析，也稱為分割分析或分類分析。更具體地說，它試圖確定案例的同質(zhì)組(homogenous groups)，即觀察、參與者、受訪者。如果分組以前未知，則使用聚類分析來識別案例組。因為它是探索性的，確實對依賴變量和獨立變量進行了區(qū)分。SPSS 提供的不同的聚類分析方法可以處理二進制、標(biāo)稱、序數(shù)和規(guī)模(區(qū)間或比率)數(shù)據(jù)。

比較分析(Comparative Analytics) ：因為大數(shù)據(jù)的關(guān)鍵就在于分析，所以本文中我將深入講解分析的意義。顧名思義，比較分析是使用諸如模式分析、過濾和決策樹分析等統(tǒng)計技術(shù)來比較多個進程、數(shù)據(jù)集或其他對象。我知道它涉及的技術(shù)越來越少，但是我仍無法完全避免使用術(shù)語。比較分析可用于醫(yī)療保健領(lǐng)域，通過比較大量的醫(yī)療記錄、文件、圖像等，給出更有效和更準確的醫(yī)療診斷。

關(guān)聯(lián)分析(Connection Analytics) ：你一定看到了像圖表一樣的蜘蛛網(wǎng)將人與主題連接起來，從而確定特定主題的影響者。關(guān)聯(lián)分析分析可以幫助發(fā)現(xiàn)人們、產(chǎn)品、網(wǎng)絡(luò)之中的系統(tǒng)，甚至是數(shù)據(jù)與多個網(wǎng)絡(luò)結(jié)合之間的相關(guān)連接和影響。

數(shù)據(jù)分析師(Data Analyst) ：數(shù)據(jù)分析師是一個非常重要和受歡迎的工作，除了準備報告之外，它還負責(zé)收集、編輯和分析數(shù)據(jù)。我會寫一篇更詳細的關(guān)于數(shù)據(jù)分析師的文章。

數(shù)據(jù)清洗(Data Cleansing) ：顧名思義，數(shù)據(jù)清洗涉及到檢測并更正或者刪除數(shù)據(jù)庫中不準確的數(shù)據(jù)或記錄，然后記住「臟數(shù)據(jù)」。借助于自動化或者人工工具和算法，數(shù)據(jù)分析師能夠更正并進一步豐富數(shù)據(jù)，以提高數(shù)據(jù)質(zhì)量。請記住，臟數(shù)據(jù)會導(dǎo)致錯誤的分析和糟糕的決策。

數(shù)據(jù)即服務(wù)(DaaS) ：我們有軟件即服務(wù)(SaaS), 平臺即服務(wù)(PaaS)，現(xiàn)在我們又有 DaaS，它的意思是：數(shù)據(jù)即服務(wù)。通過給用戶提供按需訪問的云端數(shù)據(jù)，DaaS 提供商能夠幫助我們快速地得到高質(zhì)量的數(shù)據(jù)。

數(shù)據(jù)虛擬化(Data virtualization) ：這是一種數(shù)據(jù)管理方法，它允許某個應(yīng)用在不知道技術(shù)細節(jié)(如數(shù)據(jù)存放在何處，以什么格式)的情況下能夠抽取并操作數(shù)據(jù)。例如，社交網(wǎng)絡(luò)利用這個方法來存儲我們的照片。

臟數(shù)據(jù)(Dirty Data) ：既然大數(shù)據(jù)這么吸引人，那么人們也開始給數(shù)據(jù)加上其他的形容詞來形成新的術(shù)語，例如黑數(shù)據(jù)(dark data)、臟數(shù)據(jù)(dirty data)、小數(shù)據(jù)(small data)，以及現(xiàn)在的智能數(shù)據(jù)(smart data)。臟數(shù)據(jù)就是不干凈的數(shù)據(jù)，換言之，就是不準確的、重復(fù)的以及不一致的數(shù)據(jù)。顯然，你不會想著和臟數(shù)據(jù)攪在一起。所以，盡快地修正它。

模糊邏輯(Fuzzy logic) ：我們有多少次對一件事情是確定的，例如 100% 正確 很稀少!我們的大腦將數(shù)據(jù)聚合成部分的事實，這些事實進一步被抽象為某種能夠決定我們決策的閾值。模糊邏輯是一種這樣的計算方式，與像布爾代數(shù)等等中的「0」和「1」相反，它旨在通過漸漸消除部分事實來模仿人腦。

游戲化(Gamification) ：在一個典型的游戲中，你會有一個類似于分數(shù)一樣的元素與別人競爭，并且還有明確的游戲規(guī)則。大數(shù)據(jù)中的游戲化就是使用這些概念來收集、分析數(shù)據(jù)或者激發(fā)玩家。

圖數(shù)據(jù)庫(Graph Databases) ：圖數(shù)據(jù)使用節(jié)點和邊這樣的概念來代表人和業(yè)務(wù)以及他們之間的關(guān)系，以挖掘社交媒體中的數(shù)據(jù)。是否曾經(jīng)驚嘆過亞馬遜在你買一件產(chǎn)品的時候告訴你的關(guān)于別人在買什么的信息 對，這就是圖數(shù)據(jù)庫。

Hadoop 用戶體驗(Hadoop User Experience /Hue) ：Hue 是一個能夠讓使用 Apache Hadoop 變得更加容易的開源接口。它是一款基于 web 的應(yīng)用;它有一款分布式文件系統(tǒng)的文件瀏覽器;它有用于 MapReduce 的任務(wù)設(shè)計;它有能夠調(diào)度工作流的框架 Oozie;它有一個 shell、一個 Impala、一個 Hive UI 以及一組 Hadoop API。

高性能分析應(yīng)用(HANA) ：這是 SAP 公司為大數(shù)據(jù)傳輸和分析設(shè)計的一個軟硬件內(nèi)存平臺。

HBase : 一個分布式的面向列的數(shù)據(jù)庫。它使用 HDFS 作為其底層存儲，既支持利用 MapReduce 進行的批量計算，也支持利用事物交互的批量計算。

負載均衡(Load balancing) ：為了實現(xiàn)最佳的結(jié)果和對系統(tǒng)的利用，將負載分發(fā)給多個計算機或者服務(wù)器。

元數(shù)據(jù)(Metadata) ：元數(shù)據(jù)就是能夠描述其他數(shù)據(jù)的數(shù)據(jù)。元數(shù)據(jù)總結(jié)了數(shù)據(jù)的基本信息，這使得查找和使用特定的數(shù)據(jù)實例變得更加容易。例如，作者、數(shù)據(jù)的創(chuàng)建日期、修改日期以及大小，這幾項是基本的文檔元數(shù)據(jù)。除了文檔文件之外，元數(shù)據(jù)還被用于圖像、視頻、電子表格和網(wǎng)頁。

MongoDB ：MongoDB 是一個面向文本數(shù)據(jù)模型的跨平臺開源數(shù)據(jù)庫，而不是傳統(tǒng)的基于表格的關(guān)系數(shù)據(jù)庫。這種數(shù)據(jù)庫結(jié)構(gòu)的主要設(shè)計目的是讓結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)在特定類型應(yīng)用的整合更快、更容易。

Mashup ：幸運的是，這個術(shù)語和我們在日常生活中使用的「mashup」一詞有著相近的含義，就是混搭的意思。實質(zhì)上，mashup 是一個將不同的數(shù)據(jù)集合并到一個單獨應(yīng)用中的方法(例如：將房地產(chǎn)數(shù)據(jù)與地理位置數(shù)據(jù)、人口數(shù)據(jù)結(jié)合起來)。這確實能夠讓可視化變得很酷。

多維數(shù)據(jù)庫(Multi-Dimensional Databases) ：這是一個為了數(shù)據(jù)在線分析處理(OLAP)和數(shù)據(jù)倉庫優(yōu)化而來的數(shù)據(jù)庫。如果你不知道數(shù)據(jù)倉庫是什么，我可以解釋一下，數(shù)據(jù)倉庫不是別的什么東西，它只是對多個數(shù)據(jù)源的數(shù)據(jù)做了集中存儲。

多值數(shù)據(jù)庫(MultiValue Databases) ：多值數(shù)據(jù)庫是一種非關(guān)系型數(shù)據(jù)庫，它能夠直接理解三維數(shù)據(jù)，這對直接操作 HTML 和 XML 字符串是很好的。

自然語言處理(Natural Language Processing) ：自然語言處理是被設(shè)計來讓計算機更加準確地理解人類日常語言的軟件算法，能夠讓人類更加自然、更加有效地和計算機交互。

神經(jīng)網(wǎng)絡(luò)(Neural Network) ：根據(jù)這個描述(http://neuralnetworksanddeeplearning.com/)，神經(jīng)網(wǎng)絡(luò)是一個受生物學(xué)啟發(fā)的非常漂亮的編程范式，它能夠讓計算機從觀察到的數(shù)據(jù)中學(xué)習(xí)。已經(jīng)好久沒有一個人會說一個編程范式很漂亮了。實際上，神經(jīng)網(wǎng)絡(luò)就是受現(xiàn)實生活中腦生物學(xué)啟發(fā)的模型....... 與神經(jīng)網(wǎng)絡(luò)緊密關(guān)聯(lián)的一個術(shù)語就是深度學(xué)習(xí)。深度學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)中一系列學(xué)習(xí)技術(shù)的集合。

模式識別(Pattern Recognition) ：當(dāng)算法需要在大規(guī)模數(shù)據(jù)集或者在不同的數(shù)據(jù)集上確定回歸或者規(guī)律的時候，就出現(xiàn)了模式識別。它與機器學(xué)習(xí)和數(shù)據(jù)挖掘緊密相連，甚至被認為是后兩者的代名詞。這種可見性可以幫助研究者發(fā)現(xiàn)一些深刻的規(guī)律或者得到一些可能被認為很荒謬的結(jié)論。

射頻識別(Radio Frequency Identification/RFID) ：射頻識別是一類使用非接觸性無線射頻電磁場來傳輸數(shù)據(jù)的傳感器。隨著物聯(lián)網(wǎng)的發(fā)展，RFID 標(biāo)簽?zāi)軌虮磺度氲饺魏慰赡艿摹笘|西里面」，這能夠生成很多需要被分析的數(shù)據(jù)。歡迎來到數(shù)據(jù)世界。

軟件即服務(wù)(SaaS) ：軟件即服務(wù)讓服務(wù)提供商把應(yīng)用托管在互聯(lián)網(wǎng)上。SaaS 提供商在云端提供服務(wù)。

半結(jié)構(gòu)化數(shù)據(jù)(Semi-structured data) ：半結(jié)構(gòu)化數(shù)據(jù)指的是那些沒有以傳統(tǒng)的方法進行格式化的數(shù)據(jù)，例如那些與傳統(tǒng)數(shù)據(jù)庫相關(guān)的數(shù)據(jù)域或者常用的數(shù)據(jù)模型。半結(jié)構(gòu)化數(shù)據(jù)也不是完全原始的數(shù)據(jù)或者完全非結(jié)構(gòu)化的數(shù)據(jù)，它可能會包含一些數(shù)據(jù)表、標(biāo)簽或者其他的結(jié)構(gòu)元素。半結(jié)構(gòu)化數(shù)據(jù)的例子有圖、表、XML 文檔以及電子郵件。半結(jié)構(gòu)化數(shù)據(jù)在萬維網(wǎng)上十分流行，在面向?qū)ο髷?shù)據(jù)庫中經(jīng)常能夠被找到。

情感分析(Sentiment Analysis) ：情感分析涉及到了對消費者在社交媒體、顧客代表電話訪談和調(diào)查中存在的多種類型的交互和文檔中所表達的情感、情緒和意見的捕捉、追蹤和分析。文本分析和自然語言處理是情感分析過程中的典型技術(shù)。情感分析的目標(biāo)就是要辨別或評價針對一個公司、產(chǎn)品、服務(wù)、人或者時間所持有的態(tài)度或者情感。

空間分析(Spatial analysis) ：空間分析指的是對空間數(shù)據(jù)作出分析，以識別或者理解分布在幾何空間中的數(shù)據(jù)的模式和規(guī)律，這類數(shù)據(jù)有幾何數(shù)據(jù)和拓撲數(shù)據(jù)。

流處理(Stream processing) ：流處理被設(shè)計用來對「流數(shù)據(jù)」進行實時的「連續(xù)」查詢和處理。為了對大量的流數(shù)據(jù)以很快的速度持續(xù)地進行實時的數(shù)值計算和統(tǒng)計分析，社交網(wǎng)絡(luò)上的流數(shù)據(jù)對流處理的需求很明確。

智能數(shù)據(jù)(Smart Data) 是經(jīng)過一些算法處理之后有用并且可操作的數(shù)據(jù)。

Terabyte ：這是一個相對大的數(shù)字數(shù)據(jù)單位，1TB 等于 1000GB。據(jù)估計，10TB 能夠容納美國國會圖書館的所有印刷品，而 1TB 則能夠容納整個百科全書 Encyclopedia Brittanica。

可視化(Visualization) ：有了合理的可視化之后，原始數(shù)據(jù)就能夠使用了。當(dāng)然這里的可視化并不止簡單的圖表。而是能夠包含數(shù)據(jù)的很多變量的同時還具有可讀性和可理解性的復(fù)雜圖表。

Yottabytes ：接近 1000 Zettabytes，或者 2500 萬億張 DVD?，F(xiàn)在所有的數(shù)字存儲大概是 1 Yottabyte，而且這個數(shù)字每 18 個月會翻一番。

來源：機器之心