A

聚合(Aggregation) – 搜索、合并、顯示數(shù)據(jù)的過程

算法(Algorithms) – 可以完成某種數(shù)據(jù)分析的數(shù)學公式

分析法(Analytics) – 用于發(fā)現(xiàn)數(shù)據(jù)的內(nèi)在涵義

異常檢測(Anomaly detection) – 在數(shù)據(jù)集中搜索與預期模式或行為不匹配的數(shù)據(jù)項。除了“Anomalies”,用來表示異常的詞有以下幾種：outliers, exceptions, surprises, contaminants.他們通?？商峁╆P鍵的可執(zhí)行信息

匿名化(Anonymization) – 使數(shù)據(jù)匿名，即移除所有與個人隱私相關的數(shù)據(jù)

應用(Application) – 實現(xiàn)某種特定功能的計算機軟件

人工智能(Artificial Intelligence) – 研發(fā)智能機器和智能軟件，這些智能設備能夠感知周遭的環(huán)境，并根據(jù)要求作出相應的反應，甚至能自我學習

B

行為分析法(Behavioural Analytics) – 這種分析法是根據(jù)用戶的行為如“怎么做”，“為什么這么做”，以及“做了什么”來得出結(jié)論，而不是僅僅針對人物和時間的一門分析學科，它著眼于數(shù)據(jù)中的人性化模式

大數(shù)據(jù)科學家(Big Data Scientist) – 能夠設計大數(shù)據(jù)算法使得大數(shù)據(jù)變得有用的人

大數(shù)據(jù)創(chuàng)業(yè)公司(Big data startup) – 指研發(fā)最新大數(shù)據(jù)技術的新興公司

生物測定術(Biometrics) – 根據(jù)個人的特征進行身份識別

B字節(jié) (BB: Brontobytes) – 約等于1000 YB(Yottabytes)，相當于未來數(shù)字化宇宙的大小。1 B字節(jié)包含了27個0!

商業(yè)智能(Business Intelligence) – 是一系列理論、方法學和過程，使得數(shù)據(jù)更容易被理解

C

分類分析(Classification analysis) – 從數(shù)據(jù)中獲得重要的相關性信息的系統(tǒng)化過程; 這類數(shù)據(jù)也被稱為元數(shù)據(jù)(meta data),是描述數(shù)據(jù)的數(shù)據(jù)

云計算(Cloud computing) – 構建在網(wǎng)絡上的分布式計算系統(tǒng)，數(shù)據(jù)是存儲于機房外的(即云端)

聚類分析(Clustering analysis) – 它是將相似的對象聚合在一起，每類相似的對象組合成一個聚類(也叫作簇)的過程。這種分析方法的目的在于分析數(shù)據(jù)間的差異和相似性

冷數(shù)據(jù)存儲(Cold data storage) – 在低功耗服務器上存儲那些幾乎不被使用的舊數(shù)據(jù)。但這些數(shù)據(jù)檢索起來將會很耗時

對比分析(Comparative analysis) – 在非常大的數(shù)據(jù)集中進行模式匹配時，進行一步步的對比和計算過程得到分析結(jié)果

復雜結(jié)構的數(shù)據(jù)(Complex structured data) – 由兩個或多個復雜而相互關聯(lián)部分組成的數(shù)據(jù)，這類數(shù)據(jù)不能簡單地由結(jié)構化查詢語言或工具(SQL)解析

計算機產(chǎn)生的數(shù)據(jù)(Computer generated data) – 如日志文件這類由計算機生成的數(shù)據(jù)

并發(fā)(Concurrency) – 同時執(zhí)行多個任務或運行多個進程

相關性分析(Correlation analysis) – 是一種數(shù)據(jù)分析方法，用于分析變量之間是否存在正相關，或者負相關

客戶關系管理(CRM: Customer Relationship Management) – 用于管理銷售、業(yè)務過程的一種技術，大數(shù)據(jù)將影響公司的客戶關系管理的策略

D

儀表板(Dashboard) – 使用算法分析數(shù)據(jù)，并將結(jié)果用圖表方式顯示于儀表板中

數(shù)據(jù)聚合工具(Data aggregation tools) – 將分散于眾多數(shù)據(jù)源的數(shù)據(jù)轉(zhuǎn)化成一個全新數(shù)據(jù)源的過程

數(shù)據(jù)分析師(Data analyst) – 從事數(shù)據(jù)分析、建模、清理、處理的專業(yè)人員

數(shù)據(jù)庫(Database) – 一個以某種特定的技術來存儲數(shù)據(jù)集合的倉庫

數(shù)據(jù)庫即服務(Database-as-a-Service) – 部署在云端的數(shù)據(jù)庫，即用即付，例如亞馬遜云服務(AWS: Amazon Web Services)

數(shù)據(jù)庫管理系統(tǒng)(DBMS: Database Management System) – 收集、存儲數(shù)據(jù)，并提供數(shù)據(jù)的訪問

數(shù)據(jù)中心(Data centre) – 一個實體地點，放置了用來存儲數(shù)據(jù)的服務器

數(shù)據(jù)清洗(Data cleansing) – 對數(shù)據(jù)進行重新審查和校驗的過程，目的在于刪除重復信息、糾正存在的錯誤，并提供數(shù)據(jù)一致性

數(shù)據(jù)管理員(Data custodian) – 負責維護數(shù)據(jù)存儲所需技術環(huán)境的專業(yè)技術人員

數(shù)據(jù)道德準則(Data ethical guidelines) – 這些準則有助于組織機構使其數(shù)據(jù)透明化，保證數(shù)據(jù)的簡潔、安全及隱私

數(shù)據(jù)訂閱(Data feed) – 一種數(shù)據(jù)流，例如Twitter訂閱和RSS

數(shù)據(jù)集市(Data marketplace) – 進行數(shù)據(jù)集買賣的在線交易場所

數(shù)據(jù)挖掘(Data mining) – 從數(shù)據(jù)集中發(fā)掘特定模式或信息的過程

數(shù)據(jù)建模(Data modelling) – 使用數(shù)據(jù)建模技術來分析數(shù)據(jù)對象，以此洞悉數(shù)據(jù)的內(nèi)在涵義

數(shù)據(jù)集(Data set) – 大量數(shù)據(jù)的集合

數(shù)據(jù)虛擬化(Data virtualization) – 數(shù)據(jù)整合的過程，以此獲得更多的數(shù)據(jù)信息，這個過程通常會引入其他技術，例如數(shù)據(jù)庫，應用程序，文件系統(tǒng)，網(wǎng)頁技術，大數(shù)據(jù)技術等等

去身份識別(De-identification) – 也稱為匿名化(anonymization)，確保個人不會通過數(shù)據(jù)被識別

判別分析(Discriminant analysis) – 將數(shù)據(jù)分類;按不同的分類方式，可將數(shù)據(jù)分配到不同的群組，類別或者目錄。是一種統(tǒng)計分析法，可以對數(shù)據(jù)中某些群組或集群的已知信息進行分析，并從中獲取分類規(guī)則。

分布式文件系統(tǒng)(Distributed File System) – 提供簡化的，高可用的方式來存儲、分析、處理數(shù)據(jù)的系統(tǒng)

文件存貯數(shù)據(jù)庫(Document Store Databases) – 又稱為文檔數(shù)據(jù)庫(document-oriented database), 為存儲、管理、恢復文檔數(shù)據(jù)而專門設計的數(shù)據(jù)庫，這類文檔數(shù)據(jù)也稱為半結(jié)構化數(shù)據(jù)

E

探索性分析(Exploratory analysis) – 在沒有標準的流程或方法的情況下從數(shù)據(jù)中發(fā)掘模式。是一種發(fā)掘數(shù)據(jù)和數(shù)據(jù)集主要特性的一種方法

E字節(jié)(EB: Exabytes) – 約等于1000 PB(petabytes), 約等于1百萬 GB。如今全球每天所制造的新信息量大約為1 EB

提取-轉(zhuǎn)換-加載(ETL: Extract, Transform and Load) – 是一種用于數(shù)據(jù)庫或者數(shù)據(jù)倉庫的處理過程。即從各種不同的數(shù)據(jù)源提取(E)數(shù)據(jù)，并轉(zhuǎn)換(T)成能滿足業(yè)務需要的數(shù)據(jù)，最后將其加載(L)到數(shù)據(jù)庫

F

故障切換(Failover) – 當系統(tǒng)中某個服務器發(fā)生故障時，能自動地將運行任務切換到另一個可用服務器或節(jié)點上

容錯設計(Fault-tolerant design) – 一個支持容錯設計的系統(tǒng)應該能夠做到當某一部分出現(xiàn)故障也能繼續(xù)運行

G

游戲化(Gamification) – 在其他非游戲領域中運用游戲的思維和機制，這種方法可以以一種十分友好的方式進行數(shù)據(jù)的創(chuàng)建和偵測，非常有效。

圖形數(shù)據(jù)庫(Graph Databases) – 運用圖形結(jié)構(例如，一組有限的有序?qū)?，或者某種實體)來存儲數(shù)據(jù)，這種圖形存儲結(jié)構包括邊緣、屬性和節(jié)點。它提供了相鄰節(jié)點間的自由索引功能，也就是說，數(shù)據(jù)庫中每個元素間都與其他相鄰元素直接關聯(lián)。

網(wǎng)格計算(Grid computing) – 將許多分布在不同地點的計算機連接在一起，用以處理某個特定問題，通常是通過云將計算機相連在一起。

H

Hadoop – 一個開源的分布式系統(tǒng)基礎框架，可用于開發(fā)分布式程序，進行大數(shù)據(jù)的運算與存儲。

Hadoop數(shù)據(jù)庫(HBase) – 一個開源的、非關系型、分布式數(shù)據(jù)庫，與Hadoop框架共同使用

HDFS – Hadoop分布式文件系統(tǒng)(Hadoop Distributed File System);是一個被設計成適合運行在通用硬件(commodity hardware)上的分布式文件系統(tǒng)

高性能計算(HPC: High-Performance-Computing) – 使用超級計算機來解決極其復雜的計算問題

I

內(nèi)存數(shù)據(jù)庫(IMDB: In-memory) – 一種數(shù)據(jù)庫管理系統(tǒng)，與普通數(shù)據(jù)庫管理系統(tǒng)不同之處在于，它用主存來存儲數(shù)據(jù)，而非硬盤。其特點在于能高速地進行數(shù)據(jù)的處理和存取。

物聯(lián)網(wǎng)(Internet of Things) – 在普通的設備中裝上傳感器，使這些設備能夠在任何時間任何地點與網(wǎng)絡相連。

J

法律上的數(shù)據(jù)一致性(Juridical data compliance) – 當你使用的云計算解決方案，將你的數(shù)據(jù)存儲于不同的國家或不同的大陸時，就會與這個概念扯上關系了。你需要留意這些存儲在不同國家的數(shù)據(jù)是否符合當?shù)氐姆伞?/p>

K

鍵值數(shù)據(jù)庫(KeyValue Databases) – 數(shù)據(jù)的存儲方式是使用一個特定的鍵，指向一個特定的數(shù)據(jù)記錄，這種方式使得數(shù)據(jù)的查找更加方便快捷。鍵值數(shù)據(jù)庫中所存的數(shù)據(jù)通常為編程語言中基本數(shù)據(jù)類型的數(shù)據(jù)。

L

延遲(Latency) – 表示系統(tǒng)時間的延遲

遺留系統(tǒng)(Legacy system) – 是一種舊的應用程序，或是舊的技術，或是舊的計算系統(tǒng)，現(xiàn)在已經(jīng)不再支持了。

負載均衡(Load balancing) – 將工作量分配到多臺電腦或服務器上，以獲得最優(yōu)結(jié)果和最大的系統(tǒng)利用率。

位置信息(Location data) – GPS信息，即地理位置信息。

日志文件(Log file) – 由計算機系統(tǒng)自動生成的文件，記錄系統(tǒng)的運行過程。

M

M2M數(shù)據(jù)(Machine2Machine data) – 兩臺或多臺機器間交流與傳輸?shù)膬?nèi)容

機器數(shù)據(jù)(Machine data) – 由傳感器或算法在機器上產(chǎn)生的數(shù)據(jù)

機器學習(Machine learning) – 人工智能的一部分，指的是機器能夠從它們所完成的任務中進行自我學習，通過長期的累積實現(xiàn)自我改進。

MapReduce – 是處理大規(guī)模數(shù)據(jù)的一種軟件框架(Map: 映射，Reduce: 歸納)。

大規(guī)模并行處理(MPP: Massively Parallel Processing) – 同時使用多個處理器(或多臺計算機)處理同一個計算任務。

元數(shù)據(jù)(Metadata) – 被稱為描述數(shù)據(jù)的數(shù)據(jù)，即描述數(shù)據(jù)數(shù)據(jù)屬性(數(shù)據(jù)是什么)的信息。

MongoDB – 一種開源的非關系型數(shù)據(jù)庫(NoSQL database)

多維數(shù)據(jù)庫(Multi-Dimensional Databases) – 用于優(yōu)化數(shù)據(jù)聯(lián)機分析處理(OLAP)程序，優(yōu)化數(shù)據(jù)倉庫的一種數(shù)據(jù)庫。

多值數(shù)據(jù)庫(MultiValue Databases) – 是一種非關系型數(shù)據(jù)庫(NoSQL), 一種特殊的多維數(shù)據(jù)庫：能處理3個維度的數(shù)據(jù)。主要針對非常長的字符串，能夠完美地處理HTML和XML中的字串。

N

自然語言處理(Natural Language Processing) – 是計算機科學的一個分支領域，它研究如何實現(xiàn)計算機與人類語言之間的交互。

網(wǎng)絡分析(Network analysis) – 分析網(wǎng)絡或圖論中節(jié)點間的關系，即分析網(wǎng)絡中節(jié)點間的連接和強度關系。

NewSQL – 一個優(yōu)雅的、定義良好的數(shù)據(jù)庫系統(tǒng)，比SQL更易學習和使用，比NoSQL更晚提出的新型數(shù)據(jù)庫

NoSQL – 顧名思義，就是“不使用SQL”的數(shù)據(jù)庫。這類數(shù)據(jù)庫泛指傳統(tǒng)關系型數(shù)據(jù)庫以外的其他類型的數(shù)據(jù)庫。這類數(shù)據(jù)庫有更強的一致性，能處理超大規(guī)模和高并發(fā)的數(shù)據(jù)。

O

對象數(shù)據(jù)庫(Object Databases) – (也稱為面象對象數(shù)據(jù)庫)以對象的形式存儲數(shù)據(jù)，用于面向?qū)ο缶幊?。它不同于關系型數(shù)據(jù)庫和圖形數(shù)據(jù)庫，大部分對象數(shù)據(jù)庫都提供一種查詢語言，允許使用聲明式編程(declarative programming)訪問對象.

基于對象圖像分析(Object-based Image Analysis) – 數(shù)字圖像分析方法是對每一個像素的數(shù)據(jù)進行分析，而基于對象的圖像分析方法則只分析相關像素的數(shù)據(jù)，這些相關像素被稱為對象或圖像對象。

操作型數(shù)據(jù)庫(Operational Databases) – 這類數(shù)據(jù)庫可以完成一個組織機構的常規(guī)操作，對商業(yè)運營非常重要，一般使用在線事務處理，允許用戶訪問 、收集、檢索公司內(nèi)部的具體信息。

優(yōu)化分析(Optimization analysis) – 在產(chǎn)品設計周期依靠算法來實現(xiàn)的優(yōu)化過程，在這一過程中，公司可以設計各種各樣的產(chǎn)品并測試這些產(chǎn)品是否滿足預設值。

本體論(Ontology) – 表示知識本體，用于定義一個領域中的概念集及概念之間的關系的一種哲學思想。(譯者注: 數(shù)據(jù)被提高到哲學的高度，被賦予了世界本體的意義，成為一個獨立的客觀數(shù)據(jù)世界)

異常值檢測(Outlier detection) – 異常值是指嚴重偏離一個數(shù)據(jù)集或一個數(shù)據(jù)組合總平均值的對象，該對象與數(shù)據(jù)集中的其他它相去甚遠，因此，異常值的出現(xiàn)意味著系統(tǒng)發(fā)生問題，需要對此另加分析。

P

模式識別(Pattern Recognition) – 通過算法來識別數(shù)據(jù)中的模式，并對同一數(shù)據(jù)源中的新數(shù)據(jù)作出預測

P字節(jié)(PB: Petabytes) – 約等于1000 TB(terabytes), 約等于1百萬 GB (gigabytes)。歐洲核子研究中心(CERN)大型強子對撞機每秒產(chǎn)生的粒子個數(shù)就約為1 PB

平臺即服務(PaaS: Platform-as-a-Service) – 為云計算解決方案提供所有必需的基礎平臺的一種服務

預測分析(Predictive analysis) – 大數(shù)據(jù)分析方法中最有價值的一種分析方法，這種方法有助于預測個人未來(近期)的行為，例如某人很可能會買某些商品，可能會訪問某些網(wǎng)站，做某些事情或者產(chǎn)生某種行為。通過使用各種不同的數(shù)據(jù)集，例如歷史數(shù)據(jù)，事務數(shù)據(jù)，社交數(shù)據(jù)，或者客戶的個人信息數(shù)據(jù)，來識別風險和機遇

隱私(Privacy) – 把具有可識別出個人信息的數(shù)據(jù)與其他數(shù)據(jù)分離開，以確保用戶隱私。

公共數(shù)據(jù)(Public data) – 由公共基金創(chuàng)建的公共信息或公共數(shù)據(jù)集。

Q

數(shù)字化自我(Quantified Self) – 使用應用程序跟蹤用戶一天的一舉一動，從而更好地理解其相關的行為

查詢(Query) – 查找某個問題答案的相關信息

R

再識別(Re-identification) – 將多個數(shù)據(jù)集合并在一起，從匿名化的數(shù)據(jù)中識別出個人信息

回歸分析(Regression analysis) – 確定兩個變量間的依賴關系。這種方法假設兩個變量之間存在單向的因果關系(譯者注：自變量，因變量，二者不可互換)

RFID – 射頻識別; 這種識別技術使用一種無線非接觸式射頻電磁場傳感器來傳輸數(shù)據(jù)

實時數(shù)據(jù)(Real-time data) – 指在幾毫秒內(nèi)被創(chuàng)建、處理、存儲、分析并顯示的數(shù)據(jù)

推薦引擎(Recommendation engine) – 推薦引擎算法根據(jù)用戶之前的購買行為或其他購買行為向用戶推薦某種產(chǎn)品

路徑分析(Routing analysis) – 針對某種運輸方法通過使用多種不同的變量分析從而找到一條最優(yōu)路徑，以達到降低燃料費用，提高效率的目的

S

半結(jié)構化數(shù)據(jù)(Semi-structured data) – 半結(jié)構化數(shù)據(jù)并不具有結(jié)構化數(shù)據(jù)嚴格的存儲結(jié)構，但它可以使用標簽或其他形式的標記方式以保證數(shù)據(jù)的層次結(jié)構

情感分析(Sentiment Analysis) – 通過算法分析出人們是如何看待某些話題

信號分析(Signal analysis) – 指通過度量隨時間或空間變化的物理量來分析產(chǎn)品的性能。特別是使用傳感器數(shù)據(jù)。

相似性搜索(Similarity searches) – 在數(shù)據(jù)庫中查詢最相似的對象，這里所說的數(shù)據(jù)對象可以是任意類型的數(shù)據(jù)

仿真分析(Simulation analysis) – 仿真是指模擬真實環(huán)境中進程或系統(tǒng)的操作。仿真分析可以在仿真時考慮多種不同的變量，確保產(chǎn)品性能達到最優(yōu)

智能網(wǎng)格(Smart grid) – 是指在能源網(wǎng)中使用傳感器實時監(jiān)控其運行狀態(tài)，有助于提高效率

軟件即服務(SaaS: Software-as-a-Service) – 基于Web的通過瀏覽器使用的一種應用軟件

空間分析(Spatial analysis) – 空間分析法分析地理信息或拓撲信息這類空間數(shù)據(jù)，從中得出分布在地理空間中的數(shù)據(jù)的模式和規(guī)律

SQL – 在關系型數(shù)據(jù)庫中，用于檢索數(shù)據(jù)的一種編程語言

結(jié)構化數(shù)據(jù)(Structured data) -可以組織成行列結(jié)構，可識別的數(shù)據(jù)。這類數(shù)據(jù)通常是一條記錄，或者一個文件，或者是被正確標記過的數(shù)據(jù)中的某一個字段，并且可以被精確地定位到。

T

T字節(jié)(TB: Terabytes) – 約等于1000 GB(gigabytes)。1 TB容量可以存儲約300小時的高清視頻。

時序分析(Time series analysis) – 分析在重復測量時間里獲得的定義良好的數(shù)據(jù)。分析的數(shù)據(jù)必須是良好定義的，并且要取自相同時間間隔的連續(xù)時間點。

拓撲數(shù)據(jù)分析(Topological Data Analysis) – 拓撲數(shù)據(jù)分析主要關注三點：復合數(shù)據(jù)模型、集群的識別、以及數(shù)據(jù)的統(tǒng)計學意義。

交易數(shù)據(jù)(Transactional data) – 隨時間變化的動態(tài)數(shù)據(jù)

透明性(Transparency) – 消費者想要知道他們的數(shù)據(jù)有什么作用、被作何處理，而組織機構則把這些信息都透明化了。

U

非結(jié)構化數(shù)據(jù)(Un-structured data) – 非結(jié)構化數(shù)據(jù)一般被認為是大量純文本數(shù)據(jù)，其中還可能包含日期，數(shù)字和實例。

V

價值(Value) – (譯者注：大數(shù)據(jù)4V特點之一) 所有可用的數(shù)據(jù)，能為組織機構、社會、消費者創(chuàng)造出巨大的價值。這意味著各大企業(yè)及整個產(chǎn)業(yè)都將從大數(shù)據(jù)中獲益。

可變性(Variability) – 也就是說，數(shù)據(jù)的含義總是在(快速)變化的。例如，一個詞在相同的推文中可以有完全不同的意思。

多樣(Variety) – (譯者注：大數(shù)據(jù)4V特點之一) 數(shù)據(jù)總是以各種不同的形式呈現(xiàn)，如結(jié)構化數(shù)據(jù)，半結(jié)構化數(shù)據(jù)，非結(jié)構化數(shù)據(jù)，甚至還有復雜結(jié)構化數(shù)據(jù)

高速(Velocity) – (譯者注：大數(shù)據(jù)4V特點之一) 在大數(shù)據(jù)時代，數(shù)據(jù)的創(chuàng)建、存儲、分析、虛擬化都要求被高速處理。

真實性(Veracity) – 組織機構需要確保數(shù)據(jù)的真實性，才能保證數(shù)據(jù)分析的正確性。因此，真實性(Veracity)是指數(shù)據(jù)的正確性。

可視化(Visualization) – 只有正確的可視化，原始數(shù)據(jù)才可被投入使用。這里的“可視化”并非普通的圖型或餅圖，可視化指是的復雜的圖表，圖表中包含大量的數(shù)據(jù)信息，但可以被很容易地理解和閱讀。

大量(Volume) – (譯者注：大數(shù)據(jù)4V特點之一) 指數(shù)據(jù)量，范圍從Megabytes至Brontobytes

W

天氣數(shù)據(jù)(Weather data) – 是一種重要的開放公共數(shù)據(jù)來源，如果與其他數(shù)據(jù)來源合成在一起，可以為相關組織機構提供深入分析的依據(jù)

X

XML數(shù)據(jù)庫(XML Databases) – XML數(shù)據(jù)庫是一種以XML格式存儲數(shù)據(jù)的數(shù)據(jù)庫。XML數(shù)據(jù)庫通常與面向文檔型數(shù)據(jù)庫相關聯(lián)，開發(fā)人員可以對XML數(shù)據(jù)庫的數(shù)據(jù)進行查詢，導出以及按指定的格式序列化

Y

Y字節(jié) (Yottabytes) – 約等于1000 ZB (Zettabytes), 約等于250萬億張DVD的數(shù)據(jù)容量?，F(xiàn)今，整個數(shù)字化宇宙的數(shù)據(jù)量為1 YB, 并且將每18年翻一番。

Z

Z字節(jié) (ZB: Zettabytes) – 約等于1000 EB (Exabytes), 約等于1百萬 TB。據(jù)預測，到2016年全球范圍內(nèi)每天網(wǎng)絡上通過的信息大約能達到1 ZB。

注：本文內(nèi)容來源于網(wǎng)絡

來源：數(shù)據(jù)猿