大數據具有哪些表現形態

A. 大數據5大關鍵處理技術

大數據已經逐漸普及，大數據處理關鍵技術一般包括：
大數據採集、大數據預處理、大數據存儲及管理、大數據分析及挖掘、大數據展現和應用
（
大數據檢索、大數據可視化、大數據應用、大數據安全等
）。
一、數據採集
如何從
大數據中採集出有用的信息已經是大數據發展的關鍵因素之一
。因此在大數據時代背景下，如何從大數據中採集出有用的信息已經是大數據發展的關鍵因素之一，數據採集才是大數據產業的基石。那麼什麼是大數據採集技術呢？數據採集(DAQ)： 又稱數據獲取，是指從感測器和其它待測設備等模擬和數字被測單元中自動採集信息的過程。
數據分類新一代數據體系中，將傳統數據體系中沒有考慮過的新數據源進行歸納與分類，可將其分為線上行為數據與內容數據兩大類。
?線上行為數據：頁面數據、交互數據、表單數據、會話數據等。
?內容數據：應用日誌、電子文檔、機器數據、語音數據、社交媒體數據等。
?大數據的主要來源（人、環境、物體等，互聯網，物聯網等）：
1）商業數據
2）互聯網數據
3）感測器數據
數據採集與大數據採集區別
傳統數據採集
1. 來源單一，數據量相對於大數據較小
2. 結構單一
3. 關系資料庫和並行數據倉庫
大數據的數據採集
1. 來源廣泛，數據量巨大
2. 數據類型豐富，包括結構化，半結構化，非結構化
3. 分布式資料庫
傳統數據採集的不足
傳統的數據採集來源單一，且存儲、管理和分析數據量也相對較小，大多採用關系型資料庫和並行數據倉庫即可處理。
對依靠並行計算提升數據處理速度方面而言，傳統的並行資料庫技術追求高度一致性和容錯性，根據CAP理論，難以保證其可用性和擴展性
大數據採集新的方法
?系統日誌採集方法
很多互聯網企業都有自己的海量數據採集工具，多用於系統日誌採集，如Hadoop的Chukwa，Cloudera的Flume，Facebook的Scribe等，這些工具均採用分布式架構，能滿足每秒數百MB的日誌數據採集和傳輸需求。
?網路數據採集方法
網路數據採集是指通過網路爬蟲或網站公開API等方式從網站上獲取數據信息。
該方法可以將非結構化數據從網頁中抽取出來，將其存儲為統一的本地數據文件，並以結構化的方式存儲。
它支持圖片、音頻、視頻等文件或附件的採集，附件與正文可以自動關聯。
除了網路中包含的內容之外，對於網路流量的採集可以使用DPI或DFI等帶寬管理技術進行處理。
?其他數據採集方法
對於企業生產經營數據或學科研究數據等保密性要求較高的數據，可以通過與企業或研究機構合作，使用特定系統介面等相關方式採集數據。
二、大數據預處理
高質量的決策必須依賴高質量的數據，而從現實世界中採集到的數據大多是不完整、結構不一致、含雜訊的臟數據，無法直接用於數據分析或挖掘。數據預處理就是對採集到的原始數據進行清洗、填補、平滑、合並、規格化以及檢查一致性等。這個處理過程可以幫助我們將那些雜亂無章的數據轉化為相對單一且便於處理的構型，以達到快速分析處理的目的。
通常數據預處理包含三個部分：
數據清理、數據集成、變換以及數據規約。
一）、數據清理
並不是所有的數據都是有價值的，有些數據並不是我們所關心的內容，有些甚至是完全錯誤的干擾項。因此要對數據過濾、去噪，從而提取出有效的數據。
數據清理主要包含
遺漏值處理（缺少感興趣的屬性）、噪音數據處理（數據中存在著錯誤、或偏離期望值的數據）、不一致數據處理。
遺漏數據可用全局常量、屬性均值、可能值填充或者直接忽略該數據等方法處理；
噪音數據可用分箱（對原始數據進行分組，然後對每一組內的數據進行平滑處理）、聚類、計算機人工檢查和回歸等方法去除噪音；對於不一致數據則可進行手動更正。
二）、數據集成與變換
數據集成是指把多個數據源中的數據整合並存儲到一個一致的資料庫中。這一過程中需要著重解決三個問題：模式匹配、數據冗餘、數據值沖突檢測與處理。
由於來自多個數據集合的數據在命名上存在差異，因此等價的實體常具有不同的名稱。如何更好地對來自多個實體的不同數據進行匹配是如何處理好數據集成的首要問題。
數據冗餘可能來源於數據屬性命名的不一致，在解決數據冗餘的過程中，可以利用皮爾遜積矩Ra,b來衡量數值屬性，絕對值越大表明兩者之間相關性越強。對於離散數據可以利用卡方檢驗來檢測兩個屬性之間的關聯。
數據集成中最後一個重要問題便是數據值沖突問題，主要表現為來源不同的統一實體具有不同的數據值。
為了更好地對數據源中的數據進行挖掘，數據變換是必然結果。其主要過程有平滑、聚集、數據泛化（使用高層的概念來替換低層或原始數據）、規范化（對數據）以及屬性構造等。
三）、數據規約
數據規約主要包括：
數據方聚集、維規約、數據壓縮、數值規約和概念分層等。
假若根據業務需求，從數據倉庫中獲取了分析所需要的數據，這個數據集可能非常龐大，而在海量數據上進行數據分析和數據挖掘的成本又極高。使用數據規約技術則可以實現數據集的規約表示，使得數據集變小的同時仍然近於保持原數據的完整性。在規約後的數據集上進行挖掘，依然能夠得到與使用原數據集近乎相同的分析結果。
三、存儲及管理技術
在大數據時代的背景下，海量的數據整理成為了各個企業急需解決的問題。
雲計算技術、物聯網等技術快速發展，
多樣化已經成為數據信息的一項顯著特點
，為充分發揮信息應用價值，有效存儲已經成為人們關注的熱點。
為了有效應對現實世界中復雜多樣性的大數據處理需求，需要針對不同的大數據應用特徵，從
多個角度、多個層次
對大數據進行存儲和管理。
一）大數據面臨的存儲管理問題
●存儲規模大
大數據的一個顯著特徵就是數據量大，起始計算量單位至少是PB，甚至會採用更大的單位EB或ZB，導致存儲規模相當大。
●種類和來源多樣化，存儲管理復雜
目前，大數據主要來源於搜索引擎服務、電子商務、社交網路、音視頻、在線服務、個人數據業務、地理信息數據、傳統企業、公共機構等領域。
因此數據呈現方法眾多，可以是結構化、半結構化和非結構化的數據形態，
不僅使原有的存儲模式無法滿足數據時代的需求，還導致存儲管理更加復雜。
●對數據服務的種類和水平要求高
大數據的價值密度相對較低，以及數據增長速度快、處理速度快、時效性要求也高
，在這種情況下如何結合實際的業務，有效地組織管理、存儲這些數據以能從浩瀚的數據中，挖掘其更深層次的數據價值，需要亟待解決。
大規模的數據資源蘊含著巨大的社會價值，有效管理數據，對國家治理、社會管理、企業決策和個人生活、學習將帶來巨大的作用和影響，
因此在大數據時代，必須解決海量數據的高效存儲問題。
二）我國大數據的存儲及處理能力挑戰
當前，我國大數據存儲、分析和處理的能力還很薄弱，與大數據相關的技術和工具的運用也相當不成熟，大部分企業仍處於IT產業鏈的低端。
我國在資料庫、數據倉庫、數據挖掘以及雲計算等領域的技術，普遍落後於國外先進水平。
在大數據存儲方面，數據的爆炸式增長，數據來源的極其豐富和數據類型的多種多樣，使數據存儲量更龐大，對數據展現的要求更高。而目前我國傳統的資料庫，還難以存儲如此巨大的數據量。
因此，
如何提高我國對大數據資源的存儲和整合能力，實現從大數據中發現、挖掘出有價值的信息和知識
，是當前我國大數據存儲和處理所面臨的挑戰。
三）大數據存儲管理技術
近年來，
企業也從大數據中受益
，大幅度推動支出和投資，並允許他們與規模更大的企業進行競爭。
所有事實和數字的存儲和管理逐漸變得更加容易。以下是有效存儲和管理大數據的三種方式。
●不斷加密
任何類型的數據對於任何一個企業來說都是至關重要的
，而且通常被認為是私有的，並且在他們自己掌控的范圍內是安全的。
然而，黑客攻擊經常被覆蓋在業務故障中，最新的網路攻擊活動在新聞報道不斷充斥。因此，許多公司感到很難感到安全，尤其是當一些行業巨頭經常成為攻擊目標時。
隨著企業為保護資產全面開展工作，
加密技術成為打擊網路威脅的可行途徑
。將所有內容轉換為代碼，使用加密信息，只有收件人可以解碼。
如果沒有其他的要求，則
加密保護數據傳輸，增強在數字傳輸中有效地到達正確人群的機會。
●倉庫存儲
大數據似乎難以管理，就像一個永無休止統計數據的復雜的漩渦。
因此，將信息精簡到單一的公司位置似乎是明智的，這是一個倉庫，其中所有的數據和伺服器都可以被充分地規劃指定。
然而，有些報告指出了反對這種方法的論據，指出即使是最大的存儲中心，大數據的指數增長也不再能維持。
然而，在某些情況下，企業可能會租用一個倉庫來存儲大量數據，在大數據超出的情況下，這是一個臨時的解決方案，而LCP屬性提供了一些很好的機會。
畢竟，企業不會立即被大量的數據所淹沒，因此，為物理機器租用倉庫至少在短期內是可行的。這是一個簡單有效的解決方案，但並不是永久的成本承諾。
●備份服務 - 雲端
除了所有技術的發展，大數據增長得更快，以這樣的速度，世界上所有的機器和倉庫都無法完全容納它。
因此，
由於雲存儲服務推動了數字化轉型，雲計算的應用越來越繁榮
。數據在一個位置不再受到風險控制，並隨時隨地可以訪問，大型雲計算公司(如谷歌雲)將會更多地訪問基本統計信息。
如果出現網路攻擊，雲端將以A遷移到B的方式提供獨一無二的服務。
三）結論
目前原有的存儲模式以及跟不上時代的步伐，無法滿足數據時代的需求，導致信息處理技術無法承載信息的負荷量。
這就
需要對數據的存儲技術和存儲模式進行創新與研究，跟上數字化存儲的技術的發展步伐，給用戶提供一個具有高質量的數據存儲體驗。
根據大數據的特點的每一種技術都各有所長，彼此都有各自的市場空間，在很長的一段時間內，滿足不同應用的差異化需求。
但為了更好的滿足大數據時代的各種非結構化數據的存儲需求，數據管理和存儲技術仍需進一步改進和發展
。
可能有些中小企業無法自己快速的獲取自己的所需的數據進行分析，這就需要到了
第三方的數據平台進行大數據分析
。
四、大數據分析及挖掘技術
數據挖掘(Data Mining)是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取
隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。
一）數據挖掘對象：
根據信息存儲格式，用於挖掘的對象有關系資料庫、面向對象資料庫、數據倉庫、文本數據源、多媒體資料庫、空間資料庫、時態資料庫、異質資料庫以及Internet等。
二）數據挖掘流程
1）定義問題：清晰地定義出業務問題，確定數據挖掘的目的。
2）數據准備：數據准備包括：選擇數據–在大型資料庫和數據倉庫目標中 提取數據挖掘的目標數據集;
3）數據預處理–進行數據再加工，包括檢查數據的完整性及數據的一致性、去雜訊，填補丟失的域，刪除無效數據等。
4）數據挖掘：根據數據功能的類型和和數據的特點選擇相應的演算法，在凈化和轉換過的數據集上進行數據挖掘。
5）結果分析：對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。
三）數據挖掘分類
直接數據挖掘：目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以理解成資料庫中表的屬性，即列）進行描述。
間接數據挖掘：目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系。
四）數據挖掘的方法
1、神經網路方法
神經網路由於本身良好的魯棒性、自組織自適應性、並行處理、分布存儲和高度容錯等特性非常適合解決數據挖掘的問題，因此近年來越來越受到人們的關注。
2、遺傳演算法
遺傳演算法是一種基於生物自然選擇與遺傳機理的隨機搜索演算法，是一種仿生全局優化方法。
遺傳演算法具有的隱含並行性、易於和其它模型結合等性質
使得它在數據挖掘中被加以應用。
3、決策樹方法
決策樹是一種常用於預測模型的演算法，它通過將大量數據有目的分類，從中找到一些有價值的，潛在的信息。它的主要優點是
描述簡單，分類速度快，
特別適合大規模的數據處理。
粗集理論是一種研究不精確、不確定知識的數學工具。粗集方法有幾個優點：
不需要給出額外信息;簡化輸入信息的表達空間;演算法簡單，易於操作。
粗集處理的對象是類似二維關系表的信息表。
4、覆蓋正例排斥反例方法
它是利用覆蓋所有正例、排斥所有反例的思想來尋找規則。首先在正例集合中任選一個種子，到反例集合中逐個比較。與欄位取值構成的選擇子相容則捨去，相反則保留。按此思想循環所有正例種子，將得到正例的規則(選擇子的合取式)。
5、統計分析方法
在資料庫欄位項之間存在兩種關系：函數關系和相關關系，對它們的分析可採用統計學方法，即利用統計學原理對資料庫中的信息進行分析。可進行常用統計、回歸分析、相關分析、差異分析等。
6、模糊集方法
即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。
系統的復雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。
大數發掘技術，目前，還需要改進已有數據挖掘和機器學習技術；開發數據網路挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術；突破基於對象的數據連接、相似性連接等大數據融合技術；突破用戶興趣分析、網路行為分析、情感語義分析等面向領域的大數據挖掘技術。
五）著重突破技術
1. 可視化分析
不論是分析專家，還是普通用戶，在分析大數據時,
最基本的要求就是對數據進行可視化分析
。經過可視化分析後,大數據的特點可以直觀地呈現出來，將單一的表格變為豐富多彩的圖形模式，簡單明了、清晰直觀，更易於讀者接受。
2. 數據挖掘演算法
數據挖掘演算法是根據數據創建數據挖掘模型的一組試探法和計算。
為了創建該模型，演算法將首先分析用戶提供的數據，針對特定類型的模式和趨勢進行查找。
並使用分析結果定義用於創建挖掘模型的最佳參數，將這些參數應用於整個數據集，以便提取可行模式和詳細統計信息。
大數據分析的理論核心就是數據挖掘演算法，數據挖掘的演算法多種多樣，不同的演算法基於不同的數據類型和格式會呈現出數據所具備的不同特點。各類統計方法都能深入數據內部，挖掘出數據的價值。
為特定的分析任務選擇最佳演算法極具挑戰性，使用不同的演算法執行同樣的任務，會生成不同的結果，而某些演算法還會對同一個問題生成多種類型的結果。
3. 預測性分析
大數據分析最重要的應用領域之一就是預測性分析，
預測性分析結合了多種高級分析功能，包括特別統計分析、預測建模、數據挖掘、文本分析、實體分析、優化、實時評分、機器學習等。
從紛繁的數據中挖掘出其特點，可以幫助我們了解目前狀況以及確定下一步的行動方案，從依靠猜測進行決策轉變為依靠預測進行決策。它可幫助分析用戶的結構化和非結構化數據中的趨勢、模式和關系，運用這些指標來洞察預測將來事件，並作出相應的措施。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統地去分析，提煉數據。語義引擎是語義技術最直接的應用，可以將人們從繁瑣的搜索條目中解放出來，讓用戶更快、更准確、更全面地獲得所需信息，提高用戶的互聯網體驗。
5. 數據質量和數據管理
大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理無論是在學術研究還是在商業應用領域都極其重要，各個領域都需要保證分析結果的真實性和價值性。
可能有些中小企業無法自己快速的獲取自己的所需的數據進行分析，這就需要到了第三方的數據平台進行大數據分析。
五、大數據應用
大數據技術能夠將隱藏於海量數據中的信息和知識挖掘出來，
為人類的社會經濟活動提供依據，從而提高各個領域的運行效率，大大提高整個社會經濟的集約化程度。
最後，是展現，主要是可視化，現在有很多工具，可以直接展現出各種靜態和動態效果，非常酷炫。在此不做描述。

B. 大數據時代是什麼意思的

大數據（big data）一詞越來越多地被提及，人們用它來描述和定義信息爆炸時代產生的海量數據，而這個海量數據的時代則被稱為大數據時代。

隨著雲時代的來臨，大數據（Big data）也吸引了越來越多的關注。大數據（Big data）通常用來形容一個公司創造的大量非結構化和半結構化數據，這些數據在下載到關系型資料庫用於分析時會花費過多時間和金錢。

大數據分析常和雲計算聯繫到一起，因為實時的大型數據集分析需要像MapRece一樣的框架來向數十、數百或甚至數千的電腦分配工作。

(2)大數據具有哪些表現形態擴展閱讀：

大數據時代的影響：

1、不是隨機樣本，而是全體數據：

在大數據時代，人們可以分析更多的數據，有時候甚至可以處理和某個特別現象相關的所有數據，而不再依賴於隨機采樣（隨機采樣，以前人們通常把這看成是理所應當的限制，但高性能的數字技術讓人們意識到，這其實是一種人為限制）。

2、不是精確性，而是混雜性：

研究數據如此之多，以至於人們不再熱衷於追求精確度;之前需要分析的數據很少，所以人們必須盡可能精確地量化人們的記錄，隨著規模的擴大，對精確度的痴迷將減弱。

擁有了大數據，人們不再需要對一個現象刨根問底，只要掌握了大體的發展方向即可，適當忽略微觀層面上的精確度，會讓人們在宏觀層面擁有更好的洞察力;

3、不是因果關系，而是相關關系：

人們不再熱衷於找因果關系，尋找因果關系是人類長久以來的習慣，在大數據時代，人們無須再緊盯事物之間的因果關系，而應該尋找事物之間的相關關系;相關關系也許不能准確地告訴人們某件事情為何會發生，但是它會提醒人們這件事情正在發生。

參考資料來源：網路-大數據時代

C. 大數據是幹嘛的

大數據是一系列技術的統稱，經過多年的發展，大數據已經形成了從數據採集、整理、傳輸、存儲、安全、分析、呈現和應用等一系列環節，這些環節涉及到諸多大數據工作崗位，這些工作崗位與物聯網、雲計算也都有密切的聯系。

大數據是一個抽象的概念，對當前無論是企業還是政府、高校等單位面臨的數據無法存儲、無法計算的狀態。

(3)大數據具有哪些表現形態擴展閱讀：

大數據應用舉例

洛杉磯警察局和加利福尼亞大學合作利用大數據預測犯罪的發生。

google流感趨勢(Google Flu Trends)利用搜索關鍵詞預測禽流感的散布。

統計學家內特.西爾弗(Nate Silver)利用大數據預測2012美國選舉結果。

麻省理工學院利用手機定位數據和交通數據建立城市規劃。

梅西百貨的實時定價機制。根據需求和庫存的情況，該公司基於SAS的系統對多達7300萬種貨品進行實時調價。

D. 什麼是大數據時代

在大數據與深度學習中蝶化的人工智慧。當代人工智慧離不開大數據和深度學習演算法。我們先來了解什麼是大數據，大數據的本質是什麼，在大數據時代我們應該如何應對？
當我們談論數據的時候我們在談什麼？在大部分人的日常印象中，數據代表的可能是每月水電煤賬單上的數字，股票k線圖上的紅綠指數，還有可能是電腦文件里那一堆看不懂的源代碼。
人工智慧眼中的數據遠比這些廣泛。數據的存在形式隨著人類文明的發展不斷改變，從最初的聲音，文字，圖畫，數字，到電子時代的每一張圖片，每一段語音，每一個視頻，再到如今互聯網時代人類每一次的滑鼠點擊，用手機時每一次的手指滑動，乃至每一下心跳和呼吸，甚至經濟生產中的一切人機動作，軌跡，都已融入數據流。今天的人類已經能夠將各種或大或小的事物轉化為數據記錄，變成我們生活的一部分。數據已經浸染我們生活的每一個細節，就如生物學家所說人體組織的一半是由微生物組成，在數字時代，我們生活的一半已然是數據。在日常生活中，數據的概念對於我們即親近又陌生。親近它是因為我們從小就會接觸加減乘除這些最基本的數據和演算法。步入社會後也在與各種文件報表賬單打交道。與此同時，當面對高科技產品中各種關於內存，解析度等時髦又復雜的數據是，我們又覺得不了解它們甚至沒意識到它們的存在。隨著大數據，機器演算法和人工智慧的理念相繼到來，這種陌生感會越發加深。
那麼數據生活距離我們遙遠嗎？正相反，數據與我們日常生活的聯系從未如此緊密過，從沒有像今天如此活躍，具體的記錄著人類與世界。從最初的計算機，攝像頭到家用計算機，智能手機，再到大數據和人工智慧，我們不斷升級採集和利用數據的方式。而現在，從一輛車的每日碳排放量統計到全球氣溫的檢測，從預測個人在網上喜好分析到總統選舉時投票趨勢的預測，我們都可以做到。數據將人與人，人與世界連接起來，構成一張繁密的網路，每個人都在影響世界，又在被他人影響著。傳統的統計方法已經無法處理這種相互影響的數據，這么辦？答案是讓機器自己來處理數據，從數據中習得知識。這便是當代人工智慧的本質。與傳統的數據記錄定義不同，這種數據是有「生命」的。它更像是我們身體的一種自然延伸：聆聽我們的聲音，拓寬我們的視野，加深我們的記憶，甚至組成一個以數據形式存在的「我」。
自工業革命以來，數據經歷過一次又一次的爆發，何以近年來才出現大數據的概念？什麼是大數據？
大數據（big data），指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。從概念中可以得知大數據技術的關鍵 不在於掌握龐大的數據信息，而在於對這些含有意義的數據進行專業化處理，在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。從技術上看，大數據必然無法用單台的計算機進行處理，必須採用分布式架構。它的特色在於對海量數據進行分布式數據挖掘。但它必須依託雲計算的分布式處理、分布式資料庫和雲存儲、虛擬化技術。
大數據包括結構化、半結構化和非結構化數據，非結構化數據越來越成為數據的主要部分。大數據必須具有幾大特徵：
一，大數據的「大」。與傳統數據的儲存方式相比是幾何量級的差距。
二，多維度。表示大數據可以對一個事物進行多方位的描述，從而更准確。
三，處理非結構數據的能力。未來10年新生數據總量的90%為非結構化數據。大數據通過圖像識別，語音識別，自然語言分析等技術計算，分析大量非結構化數據，大大提升數據維度。
四，大數據是生生不息的「流」，具有時間性。一是因為數據量巨大，無法全部儲存。另一方面是大數據和人類生生不息的行動相關，瞬息萬變。
五，最重要的是，大數據的大表現為無盡的重復。量變促成質變，在機器智能領域，數據量的大小和處理速度的快慢可以直接決定智力水平的高低。
希望對您有所幫助！~

E. 大數據改變世界的五種方式

大數據改變世界的五種方式
隨著電腦科技的發展，計算能力不再是像以前那樣的「奢侈品」。現在的我們就彷如暢泳在一個巨大的數據水庫，而這個資料庫包羅萬象：從繁忙時段一個明尼蘇達州小鎮的表現至在葉門成功使用無人飛機轟炸的可能性。大數據的到來意味著公司，機構以及政府等可以同過收集，挖掘並利用這些龐大的數據區完成神奇的事情。
讓我們看看神奇的大數據如何改變世界：
1.數據化身致命武器：
信息作為大數據時代最有效最具殺傷力的武器同時也正在被大量用於該時代的軍備競賽，但現今的軍事技術數據來源正受限於衛星，無人飛行旗以及更多傳統方式得到的數據。美國國防部啟動一項名為XDATA的方案，其作為奧巴馬政府發布的大數據倡議的一部分主要致力於以2.5億美元研發一個分析大數據的系統。隨著越來越多的有效運算，美軍能夠將PB級的數據運用到尖端優勢上，例如讓無人轟炸機變得前所未有的智能以及致命。
2.拯救地球：
除了讓捕食者無人機更有威力和增加零售利潤外，大數據更能造福世界。以開源的大數據平台Google Earth引擎為例，研究人員可利用它繪制出第一張莫斯科森林的高解析度的地圖。如果僅利用傳統的電腦計算方法繪制需要3年時間，對比之下使用Google Earth僅需一天時間。
像這種大規模的數據集合能夠讓人類在系統層面上理解生態危機。我們知道越多地球生態系統以及天氣形態變化數據，就越容易模型化未來環境的變遷，因而也能夠在我們力所能及的時候去阻止不好的轉變發生。
3.預測購物趨勢：
消費者的購物趨勢能夠在以前的購物記錄大數據挖掘中得出，銷售公司不論大少均有可能預測到你需要買什麼，他們甚至比你自己更懂你。因而從消費者當前購物數據中從大數據中能夠獲得大利潤。網上零售商如亞馬遜正在大量收集我們的購物以及網上購物數據，甚至線下零售商也開始緊跟這一趨勢著手收集消費者的消費數據。一些聰明的公司看準這點，以RetailNext為例，它是為Brookstone 以及American Apparel等公司提供購物者瀏覽以及購物時的錄像記錄。 RetailNext將一個購買者在店鋪移動的軌跡轉化為上萬數據點，就可以得到購物者在店內瀏覽商品的移動過程，停留點以及其與銷售的相關性。
4.加速科學研究發展速度：
一直以來數據都是科學發現的支柱，現在由於大數據的發展以及高運算力的支持，科研步伐也正飛速向前。
以人類歷史上科學成就指標性的 人類基因組計劃為例，當時花費達30億美元，耗時13年才完成大約含25000個基因的人類基因組測序及分析。若應用當代先進的數據收集分析方法，使用一個如U盤大小的裝置區完成這項工作僅需幾小時就足矣，其花費也僅僅是1000美元。
5.大數據導致更大的隱私威脅：
你也許只是從大「據」考慮，但是這句格言不再像以前一樣好用了。若說大數據與廣度攸關是正確無誤的，但是深度對大數據來說也是同等重要的。
網路巨頭如Facebook和Google不單單積累了廣度上的數據—大量的用戶（FB擁有9.55億用戶），他們對深度上的數據–用戶（使用網路的）數據也了如指掌。譬如，他們知道你搜索的內容，你點擊了什麼頁面以及你認識什麼人。最大的網路大鱷擁有足以讓他們無所不知的大量的數據。
在這里的技術力量，文化進步和利潤的相交之處，有一件事是確定的：數據越大責任越大（蜘蛛俠中槍）。

F. 什麼是大數據技術大數據的概念

大數據技術是指大數據的應用技術，涵蓋各類大數據平台、大數據指數體系等大數據應用技術。

大數據是指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合。是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

隨著雲時代的來臨，大數據也吸引了越來越多的關注。分析師團隊認為，大數據通常用來形容一個公司創造的大量非結構化數據和半結構化數據，這些數據在下載到關系型資料庫用於分析時會花費過多時間和金錢。

大數據分析常和雲計算聯繫到一起，因為實時的大型數據集分析需要像MapRece一樣的框架來向數十、數百或甚至數千的電腦分配工作。

(6)大數據具有哪些表現形態擴展閱讀：

大數據的三個層面：

1、理論，理論是認知的必經途徑，也是被廣泛認同和傳播的基線。在這里從大數據的特徵定義理解行業對大數據的整體描繪和定性；從對大數據價值的探討來深入解析大數據的珍貴所在；洞悉大數據的發展趨勢；從大數據隱私這個特別而重要的視角審視人和數據之間的長久博弈。

2、技術，技術是大數據價值體現的手段和前進的基石。在這里分別從雲計算、分布式處理技術、存儲技術和感知技術的發展來說明大數據從採集、處理、存儲到形成結果的整個過程。

3、實踐，實踐是大數據的最終價值體現。在這里分別從互聯網的大數據，政府的大數據，企業的大數據和個人的大數據四個方面來描繪大數據已經展現的美好景象及即將實現的藍圖。

參考資料來源：網路-大數據

G. 大數據的表現形態有哪些

大數據裡面的數據，分三種類型：

（1）結構化的數據：即有固定格式和有限長度的數據。

（2）非結構化的數據：現在非結構化的數據越來越多，就是不定長、無固定格式的數據，例如網頁、語音，視頻等。

（3）半結構化數據：是一些XML或者HTML的格式的數據。

H. 大數據可以應用在哪些方面

可以應用在雲計算方面。

大數據具體的應用：

1、洛杉磯警察局和加利福尼亞大學合作利用大數據預測犯罪的發生。

2、google流感趨勢(Google Flu Trends)利用搜索關鍵詞預測禽流感的散布。

3、統計學家內特.西爾弗(Nate Silver)利用大數據預測2012美國選舉結果。

4、麻省理工學院利用手機定位數據和交通數據建立城市規劃。

5、梅西百貨的實時定價機制。根據需求和庫存的情況，該公司基於SAS的系統對多達7300萬種貨品進行實時調價。

6、醫療行業早就遇到了海量數據和非結構化數據的挑戰，而近年來很多國家都在積極推進醫療信息化發展，這使得很多醫療機構有資金來做大數據分析。

7、及時解析故障、問題和缺陷的根源，每年可能為企業節省數十億美元。

8、為成千上萬的快遞車輛規劃實時交通路線，躲避擁堵。

9、分析所有SKU，以利潤最大化為目標來定價和清理庫存。

10、根據客戶的購買習慣，為其推送他可能感興趣的優惠信息。

(8)大數據具有哪些表現形態擴展閱讀：

大數據的用處：

1、與雲計算的深度結合。大數據離不開雲處理，雲處理為大數據提供了彈性可拓展的基礎設備，是產生大數據的平台之一。

自2013年開始，大數據技術已開始和雲計算技術緊密結合，預計未來兩者關系將更為密切。除此之外，物聯網、移動互聯網等新興計算形態，也將一齊助力大數據革命，讓大數據營銷發揮出更大的影響力。

2、科學理論的突破。隨著大數據的快速發展，就像計算機和互聯網一樣，大數據很有可能是新一輪的技術革命。可能會改變數據世界裡的很多演算法和基礎理論，實現科學技術上的突破。

參考資料：

網路--大數據