數(shù)據(jù)挖掘(Data mining)是指通過(guò)統(tǒng)計(jì)學(xué)、人工智能、機(jī)器學(xué)習(xí)等方法，從大量數(shù)據(jù)中挖掘未知的、有價(jià)值的信息和知識(shí)的過(guò)程，偏好建立模型。數(shù)據(jù)分析是對(duì)數(shù)據(jù)的一種操作方法或算法。更偏向于統(tǒng)計(jì)分析，繪圖，多做報(bào)告，做一些演示。兩者的區(qū)別如下:1。在數(shù)據(jù)量方面:數(shù)據(jù)分析的數(shù)據(jù)量可能不大，而數(shù)據(jù)挖掘的數(shù)據(jù)量極大。2.約束:數(shù)據(jù)分析基于一個(gè)假設(shè)，需要建立一個(gè)方程或者模型來(lái)匹配假設(shè)，而數(shù)據(jù)挖掘不需要假設(shè)，可以自動(dòng)建立方程。

4.結(jié)果:數(shù)據(jù)分析解釋結(jié)果，并提出有效的信息。數(shù)據(jù)挖掘的結(jié)果不容易解釋。信息被重視，以期預(yù)測(cè)未來(lái)，并提出決策建議。關(guān)于數(shù)據(jù)挖掘的相關(guān)學(xué)習(xí)，推薦CDA數(shù)據(jù)師的相關(guān)課程，課程內(nèi)容兼顧了解決數(shù)據(jù)挖掘過(guò)程問(wèn)題的橫向能力和解決數(shù)據(jù)挖掘算法問(wèn)題的縱向能力的培養(yǎng)。

數(shù)據(jù)分析和數(shù)據(jù)挖掘并不沖突，但可以說(shuō)是相輔相成的。數(shù)據(jù)挖掘是一個(gè)統(tǒng)稱，就算把數(shù)據(jù)算進(jìn)去也是數(shù)據(jù)挖掘，人工智能屬于比較高端的數(shù)據(jù)挖掘?，F(xiàn)在數(shù)據(jù)越來(lái)越多，不可能用人腦去思考怎么解決。這時(shí)候就需要算法了，但最后的工作還是分析數(shù)據(jù)。數(shù)據(jù)分析的未來(lái)前景相當(dāng)廣闊。我們可以想象，在數(shù)據(jù)分析的應(yīng)用層面，未來(lái)會(huì)有很多企業(yè)開始一步步做數(shù)據(jù)分析。企業(yè)使用數(shù)據(jù)分析，提高經(jīng)營(yíng)效率后，在市場(chǎng)上一定有相當(dāng)?shù)母?jìng)爭(zhēng)力。在這種競(jìng)爭(zhēng)力的壓迫下，其他企業(yè)必須跟上，他必須采用一些數(shù)據(jù)分析技術(shù)來(lái)提升自己的競(jìng)爭(zhēng)力。

大數(shù)據(jù)分析是一個(gè)廣義的術(shù)語(yǔ)，指的是數(shù)據(jù)集，這些數(shù)據(jù)集非常龐大和復(fù)雜，需要專門設(shè)計(jì)的硬件和軟件工具來(lái)處理。這個(gè)數(shù)據(jù)集的大小通常是萬(wàn)億或EB。這些數(shù)據(jù)集是從各種來(lái)源收集的:傳感器、氣候信息、公共信息，如雜志、報(bào)紙和文章。大數(shù)據(jù)分析產(chǎn)生的其他例子包括購(gòu)買交易記錄、在線日志、醫(yī)療記錄、軍事監(jiān)控、視頻和圖像文件以及大規(guī)模電子商務(wù)。大數(shù)據(jù)分析，他們對(duì)企業(yè)的影響有很高的興趣。

1.Hadoop是一個(gè)開源框架，它允許整個(gè)集群使用簡(jiǎn)單的編程模型計(jì)算機(jī)在分布式環(huán)境中存儲(chǔ)和處理大數(shù)據(jù)。它的目的是從單個(gè)服務(wù)器擴(kuò)展到數(shù)千臺(tái)機(jī)器，每臺(tái)機(jī)器都可以提供本地計(jì)算和存儲(chǔ)。Hadoop是一個(gè)可以分發(fā)大量數(shù)據(jù)的軟件框架。但是Hadoop是以一種可靠、高效和可擴(kuò)展的方式處理的。Hadoop是可靠的。即使計(jì)算元件和存儲(chǔ)發(fā)生故障，它也會(huì)維護(hù)工作數(shù)據(jù)的多個(gè)副本，以確?？梢詾楣收瞎?jié)點(diǎn)重新分配處理。

1。從側(cè)重點(diǎn)來(lái)說(shuō)，相比較而言，數(shù)據(jù)分析更依賴于業(yè)務(wù)知識(shí)，數(shù)據(jù)挖掘更側(cè)重于技術(shù)的實(shí)現(xiàn)，對(duì)業(yè)務(wù)的要求略有降低。2.在數(shù)據(jù)量上，數(shù)據(jù)挖掘往往需要更多的數(shù)據(jù)量，數(shù)據(jù)量越大，對(duì)技術(shù)的要求就越高。3.從技術(shù)上來(lái)說(shuō)，數(shù)據(jù)挖掘?qū)夹g(shù)的要求更高，需要更強(qiáng)的編程能力、數(shù)學(xué)能力和機(jī)器學(xué)習(xí)能力。4.在結(jié)果方面，數(shù)據(jù)分析更側(cè)重于結(jié)果的呈現(xiàn)，需要結(jié)合業(yè)務(wù)知識(shí)進(jìn)行解讀。

1。先做數(shù)據(jù)分析，一般就是數(shù)據(jù)采集，數(shù)據(jù)清洗，數(shù)據(jù)篩選，畫像，2.高級(jí)數(shù)據(jù)挖掘，比較偏算法，對(duì)統(tǒng)計(jì)學(xué)、數(shù)學(xué)、計(jì)算機(jī)技能要求較高。數(shù)據(jù)分析:一般要分析的目標(biāo)明確，分析條件明確，數(shù)據(jù)挖掘:目標(biāo)不是很明確，必須依靠挖掘算法找出隱藏在大量數(shù)據(jù)中的規(guī)則、模式和規(guī)律。數(shù)據(jù)分析的目的不同于數(shù)據(jù)挖掘的目的，數(shù)據(jù)分析有明確的分析群體，即在各個(gè)維度上分解、劃分、組合群體來(lái)發(fā)現(xiàn)問(wèn)題，而數(shù)據(jù)挖掘的目標(biāo)群體是不確定的，這就要求我們更多的從數(shù)據(jù)的內(nèi)在關(guān)系去分析，從而將業(yè)務(wù)、用戶、數(shù)據(jù)結(jié)合起來(lái)進(jìn)行更多的洞察和解讀。