大数据研究课题学术思想

A. 大数据技术与工程研究生学什么

1．数据科学基础理论

研究数据相似性理论、数据测度和数据代数和探索数据科学的研究方法。以数据为研究目标，揭示数据的一般规律，为大数据研究和应用奠定基础。

3．数据挖掘与决策支持

与互联网营销行业、智能电网的企业合作，针对真实的商业案例平台，研究统计决策和优化等方法，将算法和决策模型理论落地。

B. 数据时代的大数据思维特征,主要有哪些

1、大数据思维的整体性

近年来，我们进入大数据时代的同时，一定程度上带动着大数据思维由一元思维升级至二元思维，现在根据人类思维的转变模式进行分析，其依然进行至多元思维状态，即追求和谐稳定社会的模式。但是研究大数据思维的发展进程发现，大数据的二元思维模式是一种高效率并适合现今社会发展的思维模式，其追求效率性、相关性、概率性，为创新发展提高了效率。

根据当下社会的需求及其社会的快节奏发展，大数据思维已然在各领域发展处于主导地位，由其基本特征层面分析，大数据思维主要特征为整体性。整体性的理论基础在于人类认识世界的能力在自然观中的不断变革而体现，现今社会通过人类对于整体数据的整合及分析能力进行体现。

2、大数据思维的互联性

相对微观层面分析大数据思维特征，较为典型的为切合现今社会及科技发展的量化互联思维，量化为具体或明确目标的一种表述。而互联代表着两种事物间的连接，其作为大数据思维微观层面的一种表达方式，更加说明大数据思维的重要性。知名投资人孙正义对于大数据时代的发展提出：“要么数字化，要么死亡。”直接地表达出大数据思维目前所处的地位。

研究发现，数字信息成为时代发展的代表已成为必然趋势，而量化思维为数字化特征带来的必然思维结果。换言之，量化可以解释为共性语言描述和解释世界的一种方式。

3、大数据思维的价值性

由大数据思维的本质进行分析，大数据思维具有价值化特征。大数据时代信息的不断整合及分析已然使得信息及数据量化及互联转变为多维度的发展状态。

换句话说，大数据思维渗透至各个领域及行业的不同维度是大数据发展的初始动机和直接目的，现今社会看待其价值化特征将其价值性总结为大数据思维的本质，同时，万物的量化互联性及其整体性使得其价值性影响了多维度的发展，由此凸显了数据及大数据思维的创造性及重要性。

关于数据时代的大数据思维特征,主要有哪些，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

以上是小编为大家分享的关于数据时代的大数据思维特征,主要有哪些?的相关内容，更多信息可以关注环球青藤分享更多干货

C. 大数据对科学研究的影响

（1）第一种范式：实验

在最初的科学研究阶段，人类采用实验来解决一些科学问题，著名的比萨斜塔实验就是一个典型实例。1590年，伽利略在比萨斜塔上做了“两个铁球同时落地”的实验，得出了重量不同的两个铁球同时下落的结论，从此推翻了亚里士多德“物体下落速度和重量成比例”的学说，纠正了这个持续了1 900年之久的错误结论。

D. 转：大数据到底要研究什么

外行人一看就知道是要让所有东西都联上因特网。后来，又是云计算，说是要把计算放到云里去。云在哪里呢？反正在远处，也还可以理解。最近，在计算机软件领域，到处都在喊大数据。这有点不好理解。数据（data）是个不可数名词，怎么来大小了？我自己也一样，最近大致学习了一下，看大数据究竟要研究什么？提出来抛砖引玉吧！
何谓“大”数据？70年代若干兆字节（MB）就算大量数据了，以后是千兆字节（GB）、兆兆字节（TB），而现在已经到了PB级（1PB=1024TB），而高端数据仓库已达EB级（1EB=1024PB）。反正是千倍千倍的往上翻。想想，光是全世界各地装的摄像头有多少，每时每刻都在产生数据。唱歌、通话、录音产生多少数据。多少亿人上网、发微博，多少数据！有了因特网，这些数据就都在网上流通，而不是死在那里。票子不流通就没有价值，数据也一样。数据不利用也毫无价值。所以，的确每天都产生大量的数据，需要处理。所以有大数据，而且需要处理。这一点，没有疑义。 在计算机领域，早就有数据库分支，后来发展到数据仓库，也有人叫海量数据处理。现在又提出所谓“大数据”。有了因特网以后，数据的一个重要特征是互动性和动态性，就是说任何用户既可以下载，也可以上传，也可以实时对话。例如在线商务，政府的群众情绪分析，卫生部门的流行病疫情分析，社会科学家研究社会网络如何扩散社会呼声及如何有效处理。但是，这些都属于大数据技术的应用，虽然每一个都需要一个应用程序，但不属于大数据技术本身。可这些都要求支持大量数据的计算、搜索和存储。因此，大数据分析和管理成为当今计算领域最关键性的挑战。 有人认为，大数据主要是数理统计，对大量同类型数据进行统计分析。这属于数理统计学科，不属于计算学科。也有人认为，大数据主要是数据挖掘、机器学习。这倒有点靠谱。但是，数据挖掘、机器学习是另外两个学科领域。不能把数据挖掘、机器学习包括在大数据的研究范围之内。大数据是数据库发展而来的。数据库要做的是数据的组织、存储和管理。关系数据库比较容易创建和存取，而且容易扩充。在数据库创建之后，一个新的数据种类能被添加而不需要修改所有的现有应用软件。并行数据库的SQL语言应运而生。但是，大数据来了以后，没有一个设备能存储这么大量的数据，它必须存储在许多的存储设备中。一个硬盘即使能存1TB，对于EB的数据也无济于事。而且，读写都很费时。串行地组织、管理、搜索这么大量的数据，用多么快的计算机都无能为力。因为超级计算机可以计算得很快，但与存储设备的输入输出快不了。所以，串行根本是不可取的，必须并行化。当前的大数据基本都运行于网络化的计算机群（Cluster of computers）上，每一个都有自己的处理器、存储器和硬盘。数据分布在多个计算机机群上，通常采用哈希分块，或者按范围、随机分块，或者队列，其处理一般用并行基于哈希的分而治之的算法。这里，“分布”和“并行”成了两个关键词。不可想象，能有一个计算机来管理整个计算机机群。更新、搜索数据都必须是分布式的，而且不能串行，一个一个地来做。Google开发了一个谷歌文件系统（GFS），可以在成百上千的机群里进行基于字符串的文件搜索。用户可以并行地加入数据，也可以实时地把数据加入到某一类中（MapRece）。Yahoo和其他Web公司，譬如Facebook，搞了一个谷歌大数据栈的开源软件，从而产生了现在很时髦的Hadoop平台及HDFS存储层。为了要实现在线事务处理（OLTP），容错不可少。由于上亿用户的同时使用，OLTP系统必须很快查找、更新用户资料，任务很多，要快、不能错、防攻击，而且还不能太贵。Google和Amazon都开发了他们自己的系统。今天，Hadoop和HDFS已经成为大数据分析占有统治地位的平台了。数据分析不能停留在MapRece水平，而是要更高层次的说明性语言，更容易表达、书写、找错。这样的语言大家都在搞。这样，问题就来了：我们是跟着这些大公司，跟踪和改进Hadoop，还是另辟蹊径。我们搞跟踪搞了几十年了，基本都用人家的，然后搞汉化。人家搞汉化甚至比我们还快。我们搞出来的东西常常没人家好用，市场就先入为主，被人家占领了。另外搞一个类似的东西，既抢不到市场，学术价值也不大。这时候，科学研究就见功力了。抓不住基础性问题，没有全新的想法，就很难出原始创新的成果。 归根结底，基础性问题是大数据的分布存储，并行处理。就像一个人有一个任务，需要许多人参与才能完成，而且他们互不相识，任何个人都完不成。应该怎么做？大家想想，也许能把这个问题说得更加确切一些。

E. 教你如何利用大数据思维

教你如何利用大数据思维 在和一些企业家交流时，有几个问题会被常常问到，"没有多少数据怎么办?"，"大数据都是大公司的事情，我们小公司怎么办?""能不能告诉我，哪些软件或者工具可以解决大数据的问题?"一般情况下，我都会说，首先要有大数据思维!大家纷纷点头称是，这词儿听起来非常高大上，甚至给人一种不明觉厉的赶脚!但啥是大数据思维，我一直没有空来整理提炼。
前阵子一个内部的论坛，要求大家必须讲干货，趁此机会，系统的梳理一遍，概括起来，也就三条：第一认识大数据飞轮，第二理解数据资产评估，第三运用泛互联范式。

图1：大数据思维
干货肯定是经过浓缩的，甚至把案例都作为水分挤掉了，所以这篇文章读起来不是那么有趣。但我可以保证，掌握这三条给上市公司做大数据战略咨询肯定没有问题。因为我已经靠这三板斧，搞定了十几家上市公司。连国内最大咨询公司的董事长都认为有料，要走了PPT。
每条都用一幅图来表达，每个图中的圆圈都有许多案例来佐证。大家如果对案例更感兴趣，读拙作《大数据时代的历史机遇》好了。其实图1就涵盖了大数据思维的全部思想。这幅图里外三层、上下结构，看起来比较复杂，所以后面拆成三幅图来讲。思维的过程是自上而下、自外而里的。图的上半部分讲得是大数据的商业功用，就是说有了大数据我们能干什么?怎么赚钱?有哪些好玩的商业模式?以前常说"羊毛出在羊身上"，搞懂这些模式你会发现原来可以"羊毛出在狗身上"。书里详细写了六种，图上只画出五种。
补充：六种商业模式简述
围绕数据资产，笔者曾考察不同行业的盈利方式和经营策略，归纳总结了六种商业模式(详见《大数据时代的历史机遇》一书)。
租售数据模式：简单来说，就是售卖或者出租广泛收集、精心过滤、时效性强的数据。这也是数据就是资产的最经典的诠释。按照销售对象的不同，又分为两种类型。第一是作为客户增值服务。譬如销售导航仪的公司，同时为客户提供即时交通信息服务。广联达公司为他的客户提供包年的建筑材料价格数据。仅此一项业务，年收入超过1亿元人民币。第二是把客户数据，有偿提供给第三方。典型的如证券交易所，把股票交易行情数据授权给一些做行情软件的公司。
租售信息模式：一般聚焦某个行业，广泛收集相关数据、深度整合萃取信息，以庞大的数据中心加上专用传播渠道，也可成一方霸主。信息指的是经过加工处理，承载一定行业特征数据集合。
数字媒体模式：这个模式最性感，因为全球广告市场空间是5000亿美元。具备培育千亿级公司的土壤和成长空间。这类公司的核心资源是获得实时、海量、有效的数据，立身之本是大数据分析技术，盈利来源多是精准营销和信息聚合服务。
数据使能模式：这类业务令人着迷之处在于，如果没有大量的数据，缺乏有效的数据分析技术，这些公司的业务其实难以开展。譬如阿里金融为代表的小额信贷公司。通过在线分析小微企业的交易数据、财务数据，甚至可以计算出应提供多少贷款，多长时间可以收回等关键问题。把坏账风险降到最低。
数据空间运营模式：从历史上，传统的IDC就是这种模式，互联网巨头都在提供此类服务。但近期网盘势头强劲，从大数据角度来看，各家纷纷嗅到大数据商机，开始抢占个人、企业的数据资源。海外的Dropbox，国内微盘都是此类公司的代表。这类公司的发展空间在于可以成长为数据聚合平台，盈利模式将趋于多元化。
大数据技术提供商：从数据量上来看，非结构化数据是结构化数据的5倍以上，任何一个种类的非结构化数据处理，都可以重现现有结构化数据的辉煌。语音数据处理领域、视频数据处理领域、语义识别领域、图像数据处理领域都可能出现大型的、高速成长的公司。
明白大数据的功用后，大家自然而然地关心，数据这么值钱，理所当然应构成新型的资产。图1的中间部分描述了这块内容。"数据成为资产"这一原创论断成为大数据思维的中心理论。图2数据资产评估模型给出一个完整的思维框架来描述数据资产的价值(完整描述评估模型，非本文主旨。读者若有兴趣，移步阅读拙著吧)。但是这方面的工作远远不够，无法定量的给出评估。在“诺奖级别的学术难题”一文(回复b10获取该文)中，我曾经说，学术界如果在数据资产的定量评估上取得进展，是可以获得诺贝尔奖的。因为这和公司的估值紧密相关。产业界在信用定量计算方面己经走在前列，并付诸商用，但是离一般意义上的数据资产估值还相去甚远。

图2：数据资产评估模型
既然数据成为资产，资产间的交易也会提上日程。联盟特别任命两位副秘书长推进这个事情，从而传播开放、共享的理念。借此呼吁所有愿意开放数据资源的企业，却可以借助联盟的力量，来共同推进。
数据成为资产是在了解大数据功用基础上的抽象认知。接下来看图1的下半部分，泛互联范式。这个范式给出了不断的采集数据并且发挥数据价值的行动指南。许多公司的转型，都要从这幅图开始。见图3。终端+平台+应用+大数据四位一体，构成大数据思维的行动指南。最近和一些公司聊，他们己经了解了数据的重要性，开始想些损招去“劫掠”客户的数据。这不免误入歧图。还是认真研究一下这个范式，从应用、终端上动动脑筋，真正的为用户提供靠谱的服务，才是上策。

图3：泛互联范式
回顾图1，我们在讲大数据思维时，利用自上而下的次序，从大数据的功用入手，深入到理论内核，再到可供操作的范式。但真正上手实践，需要脚踏实地，自下而上的行动。回到德鲁克的经典问题上来，你的客户是谁?
大数据产业联盟愿意为所有有志于从事大数据战略咨询的顾问们服务，掌握这套方法论并切实帮到企业的顾问，联盟会在官方网站上列出您的大名，并向成员企业推荐。
所以, 这次,我们来点儿作业吧：大家可以用上面的大数据思维分析框架来分析一下自己所在的公司自己感兴趣的公司,看看大数据于公司有什么功效, 公司可操作的泛互联范式是什么。
在此，也先抛几个小例子：
1)乐视网的野心