大数据分析指对庞大数据的分析。收集、清理挖掘、分析大数据，大数据主要包括数据采集、数据存储、数据管理和数据分析和挖掘技术，自然语言处理技术，数据分析和data 挖掘 1的区别。先做数据分析，一般指数据采集、数据清洗、数据筛选和画像2，高级数据挖掘，数据。
大数据环境具有以下特征，因此挖掘中涉及的技术也与之相对应:1。数据来源很多，大数据挖掘的研究对象往往不仅仅涉及一个业务系统，肯定是多个系统的融合分析。因此，需要强大的ETL技术来集成多个系统的数据。2.数据的维度高，整合后的数据不仅仅是传统数据的那些维度挖掘，还有上百个维度。
神经网络方法神经网络由于其良好的鲁棒性、自组织和自适应性、并行处理、分布式存储和高容错性，非常适合解决数据问题挖掘因此近年来受到越来越多的关注。遗传算法遗传算法是一种基于生物自然选择和遗传机制的随机搜索算法，是一种仿生全局优化方法。遗传算法因其隐含的并行性和易于与其他模型结合，在data 挖掘中得到应用。
其主要优点是描述简单，分类速度快，特别适合大规模数据处理。粗糙集理论是一种研究不精确和不确定知识的数学工具。粗糙集方法有几个优点:它不需要给出额外的信息；简化输入信息的表达空间；该算法简单，易于操作。粗糙集处理的对象是类似于二维关系表的信息表。覆盖正例拒斥反例法是利用覆盖所有正例拒斥所有反例的思想来寻找规律。首先，从正例集中选择一个种子，逐个与反例集进行比较。
3、大数据 挖掘常用的方法有哪些?1。分析可视化数据可视化是数据分析 tool的最基本要求，无论是对于专家还是普通用户。可视化可以直观地展示数据，让数据自己说话，让受众听到结果。2.data mining algorithms(data 挖掘算法)可视化是给人看的，data挖掘是给机器看的。聚类、分割、离群点分析等算法让我们深入数据，挖掘 value。
3.预测分析能力Data 挖掘可以让分析师更好地理解数据，而预测分析则可以让分析师根据可视化分析的结果和data 挖掘做出一些预测性的判断。4.SemanticEngines(语义引擎)由于非结构化数据的多样性，给数据分析带来了新的挑战，它需要一系列的工具来解析、提取和分析数据。
