大數據研究課題學術思想

A. 大數據技術與工程研究生學什麼

1．數據科學基礎理論

研究數據相似性理論、數據測度和數據代數和探索數據科學的研究方法。以數據為研究目標，揭示數據的一般規律，為大數據研究和應用奠定基礎。

3．數據挖掘與決策支持

與互聯網營銷行業、智能電網的企業合作，針對真實的商業案例平台，研究統計決策和優化等方法，將演算法和決策模型理論落地。

B. 數據時代的大數據思維特徵,主要有哪些

1、大數據思維的整體性

近年來，我們進入大數據時代的同時，一定程度上帶動著大數據思維由一元思維升級至二元思維，現在根據人類思維的轉變模式進行分析，其依然進行至多元思維狀態，即追求和諧穩定社會的模式。但是研究大數據思維的發展進程發現，大數據的二元思維模式是一種高效率並適合現今社會發展的思維模式，其追求效率性、相關性、概率性，為創新發展提高了效率。

根據當下社會的需求及其社會的快節奏發展，大數據思維已然在各領域發展處於主導地位，由其基本特徵層面分析，大數據思維主要特徵為整體性。整體性的理論基礎在於人類認識世界的能力在自然觀中的不斷變革而體現，現今社會通過人類對於整體數據的整合及分析能力進行體現。

2、大數據思維的互聯性

相對微觀層面分析大數據思維特徵，較為典型的為切合現今社會及科技發展的量化互聯思維，量化為具體或明確目標的一種表述。而互聯代表著兩種事物間的連接，其作為大數據思維微觀層面的一種表達方式，更加說明大數據思維的重要性。知名投資人孫正義對於大數據時代的發展提出：“要麼數字化，要麼死亡。”直接地表達出大數據思維目前所處的地位。

研究發現，數字信息成為時代發展的代表已成為必然趨勢，而量化思維為數字化特徵帶來的必然思維結果。換言之，量化可以解釋為共性語言描述和解釋世界的一種方式。

3、大數據思維的價值性

由大數據思維的本質進行分析，大數據思維具有價值化特徵。大數據時代信息的不斷整合及分析已然使得信息及數據量化及互聯轉變為多維度的發展狀態。

換句話說，大數據思維滲透至各個領域及行業的不同維度是大數據發展的初始動機和直接目的，現今社會看待其價值化特徵將其價值性總結為大數據思維的本質，同時，萬物的量化互聯性及其整體性使得其價值性影響了多維度的發展，由此凸顯了數據及大數據思維的創造性及重要性。

關於數據時代的大數據思維特徵,主要有哪些，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

以上是小編為大家分享的關於數據時代的大數據思維特徵,主要有哪些?的相關內容，更多信息可以關注環球青藤分享更多干貨

C. 大數據對科學研究的影響

（1）第一種範式：實驗

在最初的科學研究階段，人類採用實驗來解決一些科學問題，著名的比薩斜塔實驗就是一個典型實例。1590年，伽利略在比薩斜塔上做了「兩個鐵球同時落地」的實驗，得出了重量不同的兩個鐵球同時下落的結論，從此推翻了亞里士多德「物體下落速度和重量成比例」的學說，糾正了這個持續了1 900年之久的錯誤結論。

D. 轉：大數據到底要研究什麼

外行人一看就知道是要讓所有東西都聯上網際網路。後來，又是雲計算，說是要把計算放到雲里去。雲在哪裡呢？反正在遠處，也還可以理解。最近，在計算機軟體領域，到處都在喊大數據。這有點不好理解。數據（data）是個不可數名詞，怎麼來大小了？我自己也一樣，最近大致學習了一下，看大數據究竟要研究什麼？提出來拋磚引玉吧！
何謂「大」數據？70年代若干兆位元組（MB）就算大量數據了，以後是千兆位元組（GB）、兆兆位元組（TB），而現在已經到了PB級（1PB=1024TB），而高端數據倉庫已達EB級（1EB=1024PB）。反正是千倍千倍的往上翻。想想，光是全世界各地裝的攝像頭有多少，每時每刻都在產生數據。唱歌、通話、錄音產生多少數據。多少億人上網、發微博，多少數據！有了網際網路，這些數據就都在網上流通，而不是死在那裡。票子不流通就沒有價值，數據也一樣。數據不利用也毫無價值。所以，的確每天都產生大量的數據，需要處理。所以有大數據，而且需要處理。這一點，沒有疑義。 在計算機領域，早就有資料庫分支，後來發展到數據倉庫，也有人叫海量數據處理。現在又提出所謂「大數據」。有了網際網路以後，數據的一個重要特徵是互動性和動態性，就是說任何用戶既可以下載，也可以上傳，也可以實時對話。例如在線商務，政府的群眾情緒分析，衛生部門的流行病疫情分析，社會科學家研究社會網路如何擴散社會呼聲及如何有效處理。但是，這些都屬於大數據技術的應用，雖然每一個都需要一個應用程序，但不屬於大數據技術本身。可這些都要求支持大量數據的計算、搜索和存儲。因此，大數據分析和管理成為當今計算領域最關鍵性的挑戰。 有人認為，大數據主要是數理統計，對大量同類型數據進行統計分析。這屬於數理統計學科，不屬於計算學科。也有人認為，大數據主要是數據挖掘、機器學習。這倒有點靠譜。但是，數據挖掘、機器學習是另外兩個學科領域。不能把數據挖掘、機器學習包括在大數據的研究范圍之內。大數據是資料庫發展而來的。資料庫要做的是數據的組織、存儲和管理。關系資料庫比較容易創建和存取，而且容易擴充。在資料庫創建之後，一個新的數據種類能被添加而不需要修改所有的現有應用軟體。並行資料庫的SQL語言應運而生。但是，大數據來了以後，沒有一個設備能存儲這么大量的數據，它必須存儲在許多的存儲設備中。一個硬碟即使能存1TB，對於EB的數據也無濟於事。而且，讀寫都很費時。串列地組織、管理、搜索這么大量的數據，用多麼快的計算機都無能為力。因為超級計算機可以計算得很快，但與存儲設備的輸入輸出快不了。所以，串列根本是不可取的，必須並行化。當前的大數據基本都運行於網路化的計算機群（Cluster of computers）上，每一個都有自己的處理器、存儲器和硬碟。數據分布在多個計算機機群上，通常採用哈希分塊，或者按范圍、隨機分塊，或者隊列，其處理一般用並行基於哈希的分而治之的演算法。這里，「分布」和「並行」成了兩個關鍵詞。不可想像，能有一個計算機來管理整個計算機機群。更新、搜索數據都必須是分布式的，而且不能串列，一個一個地來做。Google開發了一個谷歌文件系統（GFS），可以在成百上千的機群里進行基於字元串的文件搜索。用戶可以並行地加入數據，也可以實時地把數據加入到某一類中（MapRece）。Yahoo和其他Web公司，譬如Facebook，搞了一個谷歌大數據棧的開源軟體，從而產生了現在很時髦的Hadoop平台及HDFS存儲層。為了要實現在線事務處理（OLTP），容錯不可少。由於上億用戶的同時使用，OLTP系統必須很快查找、更新用戶資料，任務很多，要快、不能錯、防攻擊，而且還不能太貴。Google和Amazon都開發了他們自己的系統。今天，Hadoop和HDFS已經成為大數據分析佔有統治地位的平台了。數據分析不能停留在MapRece水平，而是要更高層次的說明性語言，更容易表達、書寫、找錯。這樣的語言大家都在搞。這樣，問題就來了：我們是跟著這些大公司，跟蹤和改進Hadoop，還是另闢蹊徑。我們搞跟蹤搞了幾十年了，基本都用人家的，然後搞漢化。人家搞漢化甚至比我們還快。我們搞出來的東西常常沒人家好用，市場就先入為主，被人家佔領了。另外搞一個類似的東西，既搶不到市場，學術價值也不大。這時候，科學研究就見功力了。抓不住基礎性問題，沒有全新的想法，就很難出原始創新的成果。 歸根結底，基礎性問題是大數據的分布存儲，並行處理。就像一個人有一個任務，需要許多人參與才能完成，而且他們互不相識，任何個人都完不成。應該怎麼做？大家想想，也許能把這個問題說得更加確切一些。

E. 教你如何利用大數據思維

教你如何利用大數據思維 在和一些企業家交流時，有幾個問題會被常常問到，"沒有多少數據怎麼辦?"，"大數據都是大公司的事情，我們小公司怎麼辦?""能不能告訴我，哪些軟體或者工具可以解決大數據的問題?"一般情況下，我都會說，首先要有大數據思維!大家紛紛點頭稱是，這詞兒聽起來非常高大上，甚至給人一種不明覺厲的趕腳!但啥是大數據思維，我一直沒有空來整理提煉。
前陣子一個內部的論壇，要求大家必須講干貨，趁此機會，系統的梳理一遍，概括起來，也就三條：第一認識大數據飛輪，第二理解數據資產評估，第三運用泛互聯範式。

圖1：大數據思維
干貨肯定是經過濃縮的，甚至把案例都作為水分擠掉了，所以這篇文章讀起來不是那麼有趣。但我可以保證，掌握這三條給上市公司做大數據戰略咨詢肯定沒有問題。因為我已經靠這三板斧，搞定了十幾家上市公司。連國內最大咨詢公司的董事長都認為有料，要走了PPT。
每條都用一幅圖來表達，每個圖中的圓圈都有許多案例來佐證。大家如果對案例更感興趣，讀拙作《大數據時代的歷史機遇》好了。其實圖1就涵蓋了大數據思維的全部思想。這幅圖里外三層、上下結構，看起來比較復雜，所以後面拆成三幅圖來講。思維的過程是自上而下、自外而里的。圖的上半部分講得是大數據的商業功用，就是說有了大數據我們能幹什麼?怎麼賺錢?有哪些好玩的商業模式?以前常說"羊毛出在羊身上"，搞懂這些模式你會發現原來可以"羊毛出在狗身上"。書里詳細寫了六種，圖上只畫出五種。
補充：六種商業模式簡述
圍繞數據資產，筆者曾考察不同行業的盈利方式和經營策略，歸納總結了六種商業模式(詳見《大數據時代的歷史機遇》一書)。
租售數據模式：簡單來說，就是售賣或者出租廣泛收集、精心過濾、時效性強的數據。這也是數據就是資產的最經典的詮釋。按照銷售對象的不同，又分為兩種類型。第一是作為客戶增值服務。譬如銷售導航儀的公司，同時為客戶提供即時交通信息服務。廣聯達公司為他的客戶提供包年的建築材料價格數據。僅此一項業務，年收入超過1億元人民幣。第二是把客戶數據，有償提供給第三方。典型的如證券交易所，把股票交易行情數據授權給一些做行情軟體的公司。
租售信息模式：一般聚焦某個行業，廣泛收集相關數據、深度整合萃取信息，以龐大的數據中心加上專用傳播渠道，也可成一方霸主。信息指的是經過加工處理，承載一定行業特徵數據集合。
數字媒體模式：這個模式最性感，因為全球廣告市場空間是5000億美元。具備培育千億級公司的土壤和成長空間。這類公司的核心資源是獲得實時、海量、有效的數據，立身之本是大數據分析技術，盈利來源多是精準營銷和信息聚合服務。
數據使能模式：這類業務令人著迷之處在於，如果沒有大量的數據，缺乏有效的數據分析技術，這些公司的業務其實難以開展。譬如阿里金融為代表的小額信貸公司。通過在線分析小微企業的交易數據、財務數據，甚至可以計算出應提供多少貸款，多長時間可以收回等關鍵問題。把壞賬風險降到最低。
數據空間運營模式：從歷史上，傳統的IDC就是這種模式，互聯網巨頭都在提供此類服務。但近期網盤勢頭強勁，從大數據角度來看，各家紛紛嗅到大數據商機，開始搶占個人、企業的數據資源。海外的Dropbox，國內微盤都是此類公司的代表。這類公司的發展空間在於可以成長為數據聚合平台，盈利模式將趨於多元化。
大數據技術提供商：從數據量上來看，非結構化數據是結構化數據的5倍以上，任何一個種類的非結構化數據處理，都可以重現現有結構化數據的輝煌。語音數據處理領域、視頻數據處理領域、語義識別領域、圖像數據處理領域都可能出現大型的、高速成長的公司。
明白大數據的功用後，大家自然而然地關心，數據這么值錢，理所當然應構成新型的資產。圖1的中間部分描述了這塊內容。"數據成為資產"這一原創論斷成為大數據思維的中心理論。圖2數據資產評估模型給出一個完整的思維框架來描述數據資產的價值(完整描述評估模型，非本文主旨。讀者若有興趣，移步閱讀拙著吧)。但是這方面的工作遠遠不夠，無法定量的給出評估。在「諾獎級別的學術難題」一文(回復b10獲取該文)中，我曾經說，學術界如果在數據資產的定量評估上取得進展，是可以獲得諾貝爾獎的。因為這和公司的估值緊密相關。產業界在信用定量計算方面己經走在前列，並付諸商用，但是離一般意義上的數據資產估值還相去甚遠。

圖2：數據資產評估模型
既然數據成為資產，資產間的交易也會提上日程。聯盟特別任命兩位副秘書長推進這個事情，從而傳播開放、共享的理念。藉此呼籲所有願意開放數據資源的企業，卻可以藉助聯盟的力量，來共同推進。
數據成為資產是在了解大數據功用基礎上的抽象認知。接下來看圖1的下半部分，泛互聯範式。這個範式給出了不斷的採集數據並且發揮數據價值的行動指南。許多公司的轉型，都要從這幅圖開始。見圖3。終端+平台+應用+大數據四位一體，構成大數據思維的行動指南。最近和一些公司聊，他們己經了解了數據的重要性，開始想些損招去「劫掠」客戶的數據。這不免誤入歧圖。還是認真研究一下這個範式，從應用、終端上動動腦筋，真正的為用戶提供靠譜的服務，才是上策。

圖3：泛互聯範式
回顧圖1，我們在講大數據思維時，利用自上而下的次序，從大數據的功用入手，深入到理論內核，再到可供操作的範式。但真正上手實踐，需要腳踏實地，自下而上的行動。回到德魯克的經典問題上來，你的客戶是誰?
大數據產業聯盟願意為所有有志於從事大數據戰略咨詢的顧問們服務，掌握這套方法論並切實幫到企業的顧問，聯盟會在官方網站上列出您的大名，並向成員企業推薦。
所以, 這次,我們來點兒作業吧：大家可以用上面的大數據思維分析框架來分析一下自己所在的公司自己感興趣的公司,看看大數據於公司有什麼功效, 公司可操作的泛互聯範式是什麼。
在此，也先拋幾個小例子：
1)樂視網的野心