大数据技术与应用习题答案第5-6章

1）请阐述大数据存储的定义。

大数据存储通常是指将那些数量巨大、难于收集、处理、分析的数据集持久化到计算机中。

在进行大数据分析之前，首先的步骤就是要将海量的数据存储起来，以便今后的使用。

因此，大数据的存储是数据分析与应用的前提。

2）文件存储和对象存储有什么区别？
文件存储（NAS）相对块存储来说更能兼顾多个应用和更多用户访问，同时提供方便的数据共享手段。

对象存储是一种新的网络存储架构。

存储标准化组织SINA早在2004年就给出了对象存储的定义，但早期多出现在超大规模系统中，所以并不为大众所熟知，相关产品一直也不温不火。

一直到云计算和大数据的概念全民强推，才慢慢进入公众视野。

对象存储的优势是互联网或者公网，主要解决海量数据，海量并发访问的需求。

总体上讲，对象存储同时兼具SAN高级直接访问磁盘特点及NAS的分布式共享特点。

它的核心是将数据通路(数据读或写)和控制通路(元数据)分离，并且基于对象存储设备(OSD)，构建存储系统，每个对象存储设备具备一定的职能，能够自动管理其上的数据分布。

3）什么是NoSQL，有什么特点？
NoSQL数据库又叫作非关系数据库，它是英文“Not Only SQL”的简写，即“不仅仅是SQL”。

和数据库管理系统（RDBMS）相比，NoSQL不使用SQL作为查询语言，其存储也可以不需要固定的表模式，用户操作NoSQL时通常会避免使用RDBMS的JION操作。

NoSQL数据库一般都具备水平可扩展的特性，并且可以支持超大规模数据存储，灵活的数据模型也可以很好地支持Web 2.0应用，此外还具有强大的横向扩展能力。

典型的NoSQL数据库包含以下几种：键值数据库、列族数据库、文档数据库和图形数据库。

值得注意的是：每种类型的数据库都能够解决传统关系数据库无法解决的问题。

4）什么是NewSQL，有什么特点？
NewSQL 数据库是对各种新的可扩展/高性能数据库的简称，它是一种相对较新的形式，旨在使用现有的编程语言和以前不可用的技术来结合SQL和NoSQL中最好的部分。

这类数据库不仅具有NoSQL对海量数据的存储管理能力，还保持了传统数据库支持ACID和SQL 等特性。

因此，NewSQL 数据库也被定义为下一代数据库的发展方向。

作为一种相对较新的形式，NewSQL旨在使用现有的编程语言和以前不可用的技术来结合SQL和NoSQL中最好的部分，它的目标是将SQL的ACID保证与NoSQL的可扩展性和高性能相结合。

NewSQL数据库改变了数据的定义范围。

它不再是原始的数据类型，如整数、浮点，它的数据可能是整个文件。

此外，NewSQL数据库是非关系的、水平可扩展、分布式并且是开源的。

5）什么是云数据库？
云数据库是指被优化或部署到一个虚拟计算环境中的数据库，是在云计算的大背景下发展起来的一种新兴的共享基础架构的方法，它极大地增强了数据库的存储能力，消除了人员、硬件、软件的重复配置，让软、硬件升级变得更加容易。

因此，云数据库具有高可扩展性、高可用性、采用多租形式和支持资源有效分发等特点，可以实现按需付费和按需扩展。

6）什么是图形数据库？
图形数据库是一种非关系型数据库，它应用图形理论存储实体之间的关系信息。

不过值得注意的是：图形数据库的基本含义是以“图”这种数据结构存储和查询数据，而不是存储图片的数据库。

（1）请阐述什么是大数据分析。

大数据分析的主要任务主要有：第一类是预测任务，目标是根据某些属性的值，预测另外一些特定属性的值。

被预测的属性一般称为目标变量或因变量，被用来做预测的属性称为解释变量和自变量；第二类是描述任务，目标是导出概括数据中潜在联系的模式，包括相关、趋势、聚类、轨迹和异常等。

描述性任务通常是探查性的，常常需要后处理技术来验证和解释结果。

具体可分为分类、回归、关联分析、聚类分析、推荐系统、异常检测、链接分析等几种。

（2）大数据分析的类型有哪些？
大数据分析主要有描述性统计分析、探索性数据分析以及验证性数据分析等。

（3）举例两种数据挖掘的应用场景？
（1）电子邮件系统中垃圾邮件的判断
电子邮件系统判断一封Email是否属于垃圾邮件。

这应该属于文本挖掘的范畴，通常会采用朴素贝叶斯的方法进行判别。

它的主要原理就是，根据电子邮件中的词汇，是否经常出现在垃圾邮件中进行判断。

例如，如果一份电子邮件的正文中包含“推广”、“广告”、“促销”等词汇时，该邮件被判定为垃圾邮件的概率将会比较大。

（2）金融领域中金融产品的推广营销
针对商业银行中的零售客户进行细分，基于零售客户的特征变量（人口特征、资产特征、负债特征、结算特征），计算客户之间的距离。

然后，按照距离的远近，把相似的客户聚集为一类，从而有效地细分客户。

将全体客户划分为诸如：理财偏好者、基金偏好者、活期偏好者、国债偏好者等。

其目的在于识别不同的客户群体，然后针对不同的客户群体，精准地进行产品设计和推送，从而节约营销成本，提高营销效率。

（4）简述数据挖掘的分类算法及应用。

K-Means算法也叫作k均值聚类算法，它是最著名的划分聚类算法，由于简洁和效率使得它成为所有聚类算法中最广泛使用的。

决策树算法是一种能解决分类或回归问题的机器学习算法，它是一种典型的分类方法，最早产生于上世纪60年代。

决策树算法首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析，因此在本质上决策树是通过一系列规则对数据进行分类的过程。

KNN算法也叫作K最近邻算法，是数据挖掘分类技术中最简单的方法之一。

所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。

遗传算法模拟了自然选择和遗传中发生的繁殖、交配和基因突变现象，是一种采用遗传结合、遗传交叉变异及自然选择等操作来生成实现规则的、基于进化理论的机器学习方法。

神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。

在这里专指人工神经网络。

它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。