如果作为一个公司的财务，向公司老板汇报报销情况，在去年里消费中 25% 用于员工奖励礼品，35% 用于出差报销，20% 用于团建项目，其他的用于杂物，这就是描述性的分析。
预测分析(Predictive Analytics)
仍然是公司报销举例，如果你分析了过去3年的报销记录，发现当中有一定的一致性，那么你可以较有把握地预测，明年的情况将与过去几年类似。值得注意的是，这并不是“预测未来”，而是“预测事情发生的可能性”。在大数据预测分析中，数据科学家会使用数据挖掘，机器学习和高级统计过程等先进技术，进行天气，经济等方面的预测。
云计算(Cloud computing)
云计算已经变得无所不在，所以在这里仅处于完整性的考虑将其归纳在内。它本质上是在远程服务器上托管和运行的软件及数据，并可从互联网的任何地方进行访问。
集群计算(Cluster computing)
这是一个使用多个服务器集合资源的“集群”的计算术语。要想更技术性的话，就会涉及到节点，集群管理层，负载平衡和并行处理等概念。
暗数据(Dark Data)
基本上指的是，由企业收集和处理的，但并不用于任何意义性目的的数据，因此它是“暗”的，可能永远不会被分析。它可以是社交网络反馈，呼叫中心日志，会议笔记等等。有很多人估计，所有企业数据中的 60-90% 可能是“暗数据”，但不确定是真假。
数据挖掘(Data mining)
数据挖掘是通过使用复杂的模式识别技术，从而找到有意义的模式，并得出大量数据的见解。这与我们之前讨论的“数据分析”术语密切相关，因为你将通过挖掘数据进行分析。为了获得有意义的模式，数据挖掘者使用统计，机器学习算法和人工智能。
内存计算(In-memory computing)
一般来说，任何可以在不访问 I / O 的情况下完成的计算都是很快的。内存计算是一种将工作数据集完全放在集群的集体内存中，避免将中间计算写入磁盘的技术。Apache Spark 是一个内存计算系统，它在速度超过 I / O 绑定系统(如 Hadoop 的MapReduce)方面拥有巨大的优势。
流处理(Stream processing)
流处理旨在对有“连续”要求的实时和流数据进行处理。结合流分析，即在流内不间断地计算数学或统计分析的能力。流处理解决方案旨在对高流量进行实时处理。
R
R 是一种编程语言，在统计计算方面很出色。如果你不知道 R，你就称不上是数据科学家。R 是数据科学中最受欢迎的语言之一。
机器学习(Machine learning)
机器学习是指通过提供的数据，使系统能够学习，调整和改进。通过预测和统计算法，他们不断学习“正确”的行为和洞察力，随着更多的数据流通过该系统，得以不断地改进。
今天的分享到这里结束啦，喜欢请点赞，有想要和鱼君交流， 随时来撩
閱讀更多 知於大數據分析 的文章
