1.2　机器学习和大数据

我们知道，大数据（Big Data）是收集和分析巨量数据的过程，它有助于发现隐藏的有用模式和其他信息，例如客户选择、市场趋势等等。这些信息往往对一个企业的业务决策起着重要作用。

关于“大数据”这一个术语的来源有多种版本。一个说法是，在2005年，来自O'Reilly Media公司（世界上具有领导地位的出版公司，同时也是联机出版的先锋）的Roger Mougalas首次创造了“大数据”一词，它指的是使用传统的商业智能工具几乎无法管理和处理的大量数据。同年，目前非常流行的大数据平台Hadoop由雅虎（Yahoo）推出，其目标是对整个万维网建立索引。

现在大数据是继资本资源、人力资源和自然资源之后的第四种生产要素，对整个社会的经济发展产生了巨大影响。麦肯锡全球研究所（McKinsey Global Institute）对大数据的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模（Volume）、快速的数据流转（Velocity）、多样的数据类型（Variety）和价值密度低（Value）四大特征，简称为4V，如图1-5所示。

除了上面的4V外，也有学者认为还应添加一个真实性（Veracity），最后简称为5V。

大数据和机器学习都属于数据科学的范畴，它们的研究范围之间互有重叠，并且相互依赖。从处理方式和应用方面两者具有下面的区别：

◇大数据的主要工作包括如何存储、治理数据以及提取的工具（通常为Hadoop），所以大数据与高性能计算有紧密的关系；而机器学习是计算机科学和人工智能的一个分支，它能赋予计算机无须明确编程就能学习的能力。

◇大数据分析是基于已有历史数据，分析并发现隐含其内的模式或信息；而机器学习的目的是训练机器如何对新数据进行响应，并给出输出结果。

◇大数据分析涉及数据的结构和数据建模，所以需要人工介入；而机器学习执行的工作往往是自动进行的，无须人工干预，如自动驾驶等。

实际上，大数据通常是作为机器学习的输入，两者的结合可以给企业带来奇迹，通过机器学习等技术，可以充分利用和发挥大数据的价值，如图1-6所示。