大数据技术应用过程中表现形式

数据分析及挖掘

数据统计及分析主要是基于存储的海量数据进行普通的分析和分类汇总，以满足大多数常见的分析需求。数据挖掘一般没有预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测的效果，实现高级别的数据分析的需求，丰富的历史数据是数据挖掘的先决条件。比较典型的算法有回归、分类、聚类、关联分析。机器学习正是如此，分为监督式学习算法、无监督式学习算法、半监督式学习算法。

机器学习

监督式学习算法是从带标签(标注)的训练样本中建立的训练样本中建立模式，并依此推测新的数据标签的算法。比如回归、神经网络、决策树、支持向量机、贝叶斯、随机森林。无监督式学习算法是在学习时并不知道其分类结果，目的是去对原始资料进行分类，以便了解资料内部结构的算法。比如聚类、主成分分析、线性判别分析降维。半监督式学习算法是利用少量标注样本和大量未标注样本进行机器学习，利用数据分布上的模型假设,建立学习器对未标签样本进行标签。

数据仓库

从企业角度来说，无论是数据库、数据仓库还是大数据都是解决不同需求、处理不同级别数据量的技术，它们之间并无冲突。针对不同需求和现状进行技术选择，各种技术相互补充、相互协作。目前阶段对于大部分企业来说，想要开展一个全新的大数据项目似乎无从下手。从现有数据仓库建设理论和经验入手，引入部分大数据技术，特别是实现非结构化数据的收集、存储和处理是一种比较可行的方法。

数据安全

大数据蕴藏着价值信息，但数据安全面临着严峻挑战。一方面，大数据本身的安全防护存在漏洞。虽然云计算对大数据提供了便利，但对大数据的安全控制力度不够，API访问权限控制以及密钥生产，存储和管理方面的不足都可能造成数据泄露。另一方面，在用数据挖掘和数据分析等大数据技术获取价值信息的同时，攻击者也在利用这些大数据技术进行攻击。