也許在接下來的幾年里，他們收集的數(shù)據(jù)會(huì)讓你的診斷更加準(zhǔn)確。比如不是普通成年人一天三次一片，而是在檢測(cè)到你血液中的藥物已經(jīng)代謝完的時(shí)候會(huì)自動(dòng)提醒你再次服藥。2) Big 數(shù)據(jù)配合喬布斯癌癥治療喬布斯是世界上第一個(gè)對(duì)自己所有的DNA和腫瘤DNA進(jìn)行排序的人。為此，他支付了幾十萬美元。他得到的不是樣本，而是包含整個(gè)基因的a 數(shù)據(jù)文檔。

你開心他就買你。如果你焦慮，他會(huì)扔掉華爾街德溫特資本市場(chǎng)公司首席執(zhí)行官保羅·霍汀的日常工作之一就是用計(jì)算機(jī)程序分析全球3.4億微博賬號(hào)中的消息判斷人們的情緒，然后從“1”到“50”進(jìn)行評(píng)分。根據(jù)評(píng)分結(jié)果，霍丁再?zèng)Q定如何處置手中的數(shù)百萬美元股票?；敉〉呐袛嘣瓌t很簡(jiǎn)單:如果每個(gè)人看起來都很開心，那就買；如果大家的焦慮上升，那就賣出。

案例二國際商業(yè)機(jī)器公司(IBM)估計(jì)這些“數(shù)據(jù)”的可貴之處主要在于時(shí)效性。對(duì)于一瞬間就能輸贏的華爾街來說，這個(gè)限制非常重要。曾經(jīng)，2%的華爾街企業(yè)從微博數(shù)據(jù)等平臺(tái)收集“非正式”信息；如今，已有近一半的企業(yè)采用了這種方法?！瘛吧鐣?huì)流動(dòng)”創(chuàng)業(yè)公司在“大數(shù)據(jù)”行業(yè)充滿活力，與微博Twitter是合作伙伴。它分析 數(shù)據(jù)告訴廣告主什么是合適的時(shí)間，什么是合適的用戶，什么是合適的發(fā)布內(nèi)容，深受廣告主的喜愛。

你買了紙尿褲和啤酒，大數(shù)據(jù)classic案例在一家超市里，人們發(fā)現(xiàn)了一個(gè)特別有趣的現(xiàn)象:紙尿褲和啤酒這兩種完全不相關(guān)的商品被放在了一起。但這個(gè)奇怪的舉動(dòng)卻大大增加了尿布和啤酒的用量。這不是笑話，而是發(fā)生在美國沃爾瑪連鎖超市的真相案例一直被商家津津樂道。原來，美國女性通常在家照顧孩子，所以她們經(jīng)常在下班回家的路上讓丈夫給孩子買紙尿褲，丈夫也會(huì)同時(shí)買自己喜歡的啤酒。

亞馬遜的推薦引擎完全基于顧客過去的購買行為:顧客購物車中收藏的商品，顧客喜歡的商品，以及其他用戶瀏覽或購買的商品。利用大數(shù)據(jù)技術(shù)，進(jìn)行了上面的-4分析，為每個(gè)客戶定制了個(gè)人主頁。由于這一戰(zhàn)略，該公司第三財(cái)季的銷售額增長了27%，達(dá)到131.8億美元，而去年同期為96億美元。

Da數(shù)據(jù)Face分析案例Da數(shù)據(jù)Face-3案例。人臉識(shí)別技術(shù)在大數(shù)據(jù)環(huán)境下可以發(fā)揮強(qiáng)大的作用。下面分享一下關(guān)于Da數(shù)據(jù)Face分析的內(nèi)容。大數(shù)據(jù)Face-3案例1基于特征的方法和基于圖像的方法1?；谔卣鞯姆椒夹g(shù):基于特征的方法試圖找到人臉的不變特征進(jìn)行檢測(cè)。其基本思想是，人的視覺可以很容易地察覺到不同姿勢(shì)和光照條件下對(duì)人臉的觀察，因此盡管有這些變化，但一定有一致的屬性或特征。

例子:邊緣檢測(cè)器通常提取面部特征，如眼睛、鼻子、嘴巴、眉毛、膚色和發(fā)際線?；谔崛〉奶卣鳎⒔y(tǒng)計(jì)模型來描述它們之間的關(guān)系，并驗(yàn)證圖像中人臉的存在，優(yōu)點(diǎn):易于實(shí)現(xiàn)，傳統(tǒng)方法的缺點(diǎn):基于特征的算法的主要問題之一是圖像特征可能會(huì)因光照、噪聲和遮擋而受到嚴(yán)重破壞。另外，人臉的特征邊界會(huì)被弱化，陰影會(huì)導(dǎo)致強(qiáng)邊緣，使得感知分組算法沒有用。