如果作為一個公司的財務，向公司老闆彙報報銷情況，在去年裡消費中 25% 用於員工獎勵禮品，35% 用於出差報銷，20% 用於團建項目，其他的用於雜物，這就是描述性的分析。
預測分析(Predictive Analytics)
仍然是公司報銷舉例，如果你分析了過去3年的報銷記錄，發現當中有一定的一致性，那麼你可以較有把握地預測，明年的情況將與過去幾年類似。值得注意的是，這並不是“預測未來”，而是“預測事情發生的可能性”。在大數據預測分析中，數據科學家會使用數據挖掘，機器學習和高級統計過程等先進技術，進行天氣，經濟等方面的預測。
雲計算(Cloud computing)
雲計算已經變得無所不在，所以在這裡僅處於完整性的考慮將其歸納在內。它本質上是在遠程服務器上託管和運行的軟件及數據，並可從互聯網的任何地方進行訪問。
集群計算(Cluster computing)
這是一個使用多個服務器集合資源的“集群”的計算術語。要想更技術性的話，就會涉及到節點，集群管理層，負載平衡和並行處理等概念。
暗數據(Dark Data)
基本上指的是，由企業收集和處理的，但並不用於任何意義性目的的數據，因此它是“暗”的，可能永遠不會被分析。它可以是社交網絡反饋，呼叫中心日誌，會議筆記等等。有很多人估計，所有企業數據中的 60-90% 可能是“暗數據”，但不確定是真假。
數據挖掘(Data mining)
數據挖掘是通過使用複雜的模式識別技術，從而找到有意義的模式，並得出大量數據的見解。這與我們之前討論的“數據分析”術語密切相關，因為你將通過挖掘數據進行分析。為了獲得有意義的模式，數據挖掘者使用統計，機器學習算法和人工智能。
內存計算(In-memory computing)
一般來說，任何可以在不訪問 I / O 的情況下完成的計算都是很快的。內存計算是一種將工作數據集完全放在集群的集體內存中，避免將中間計算寫入磁盤的技術。Apache Spark 是一個內存計算系統，它在速度超過 I / O 綁定系統(如 Hadoop 的MapReduce)方面擁有巨大的優勢。
流處理(Stream processing)
流處理旨在對有“連續”要求的實時和流數據進行處理。結合流分析，即在流內不間斷地計算數學或統計分析的能力。流處理解決方案旨在對高流量進行實時處理。
R
R 是一種編程語言，在統計計算方面很出色。如果你不知道 R，你就稱不上是數據科學家。R 是數據科學中最受歡迎的語言之一。
機器學習(Machine learning)
機器學習是指通過提供的數據，使系統能夠學習，調整和改進。通過預測和統計算法，他們不斷學習“正確”的行為和洞察力，隨著更多的數據流通過該系統，得以不斷地改進。
今天的分享到這裡結束啦，喜歡請點贊，有想要和魚君交流， 隨時來撩
閱讀更多 知於大數據分析 的文章
