大数据是对数据挖掘,数据开发和数据挖掘区别

交通领域大数据会有相当多的分析和应用场景，有两点需要注意，一是大数据本身的技术处理平台，二是数据分析和挖掘算法。具体场景当时是这样写的:公交线路规划设计是一个大数据潜在的应用场景，传统的公交线路规划往往需要前期投入大量的人力进行OD调查和数据收集。尤其是公交卡普及后，可以看到，对于OD交通数据，完全可以从公交卡上采集到相关的交通流量和流向数据，包括每天的行走路线、同卡换乘次数等详细信息。

结合交通流向的趋势变化数据，可以帮助公共交通部门调整公交运营线路，设计换乘站。这个方法可能很久以前就想到了，但是在公交卡还没有普及或者海量的情况下数据处理和计算能力跟不上，实际操作起来确实很难，现在是时候全面操作了。从单个公交流向进行动态分析数据只是一个方面，大数据往往强调相关性分析。

数据挖掘是从大量不完整的、有噪声的、模糊的、随机的数据中提取隐藏的、但潜在有用的信息和知识的过程。数据 挖掘过程:定义问题:明确定义业务问题，确定数据 挖掘的目的。数据准备:数据准备包括:选择数据-提取自大数据库和数据仓库目标。数据预处理-执行数据再处理，包括检查数据的完整性和数据的一致性，去噪，填充缺失字段和删除无效-0。

结果分析:对数据 挖掘的结果进行解释和评价，并转化为用户最终能够理解的知识。数据 挖掘的技术大致可以分为统计方法、机器学习方法、神经网络方法和数据数据库方法。统计方法可以细分为回归分析(多元回归、自回归等。)和判别分析(贝叶斯判别、CBR、遗传算法、贝叶斯信念网络等。神经网络方法可细分为:前向神经网络(BP算法等。)和自组织神经网络(自组织特征映射、竞争学习等。).

large数据(bigdata)是指在可承受的时间范围内，常规软件工具无法捕捉、管理和处理的数据的集合。“大-0”技术的战略意义不在于掌握庞大的数据信息，而在于专业地处理这些有意义的数据信息。换句话说，如果把Da 数据比作一个行业，那么这个行业实现盈利的关键就在于提高数据的“加工能力”，通过“加工”实现数据的“增值”。从技术上来说，Da 数据和云计算的关系就像一枚硬币的两面一样密不可分。

其特点在于分布海量数据数据挖掘，但必须依靠云计算的分布式处理、分布式数据库、云存储和虚拟化技术。大型数据分析往往与云计算联系在一起，因为实时大型数据 set分析需要MapReduce这样的框架将工作分配到几十台、几百台甚至几千台计算机上。大数据需要特殊的技术才能在容差时间内有效处理大量的数据适用于大型数据的技术，包括大规模并行处理(MPP) 数据库、数据 挖掘电网、分布式文件系统和分布式-0。

数据分析的目的与数据 挖掘不同。数据分析有明确的分析组，就是把各个维度的组进行拆分、划分、组合，找出问题所在。数据 Fa 挖掘的目标群体是不确定的，这就需要我们更多的从数据的内在关系去分析，从而结合业务、用户和数据做出更多的洞察和解读。数据分析不同于数据 挖掘。一般来说，数据分析是基于客观的数据进行连续的验证和假设，而数据

分析框架(假设) 客观问题(数据分析)结论(主观判断)和数据 挖掘大部分都是大而全，多而精，数据模型越多越准确。数据它们之间的关系越清晰数据分析更依赖于业务知识，数据 挖掘更强调技术的实现，对业务的要求略有降低，数据 挖掘往往需要更多的数据数量，而数据数量越大，技术要求越高，需要更强的编程能力、数学能力和机器学习能力。