大數據分析技術：改進已有數據挖掘和機器學習技術;開發數據網絡挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術;**基于對象的數據連接、相似性連接等大數據融合技術;**用戶興趣分析、網絡行為分析、情感語義分析等面向領域的大數據挖掘技術。



　　數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。



　　數據挖掘涉及的技術方法很多，有多種分類法。根據挖掘任務可分為分類或預測模型發現、數據總結、聚類、關聯規則發現、序列模式發現、依賴關系或依賴模型發現、異常和趨勢發現等等;根據挖掘對象可分為關系數據庫、面向對象數據庫、空間數據庫、時態數據庫、文本數據源、多媒體數據庫、異質數據庫、遺產數據庫以及環球網Web;根據挖掘方法分，可粗分為:機器學習方法、統計方法、神經網絡方法和數據庫方法。



　　機器學習中，可細分為歸納學習方法(決策樹、規則歸納等)、基于范例學習、遺傳算法等。統計方法中，可細分為:回歸分析(多元回歸、自回歸等)、判別分析(貝葉斯判別、費歇爾判別、非參數判別等)、聚類分析(系統聚類、動態聚類等)、探索性分析(主元分析法、相關分析法等)等。神經網絡方法中，可細分為:前向神經網絡(BP算法等)、自組織神經網絡(自組織特征映射、競爭學習等)等。數據庫方法主要是多維數據分析或OLAP方法，另外還有面向屬性的歸納方法。



　　數據挖掘主要過程是：根據分析挖掘目標，從數據庫中把數據提取出來，然后經過ETL組織成適合分析挖掘算法使用寬表，然后利用數據挖掘軟件進行挖掘。傳統的數據挖掘軟件，一般只能支持在單機上進行小規模數據處理,受此限制傳統數據分析挖掘一般會采用抽樣方式來減少數據分析規模。



　　數據挖掘的計算復雜度和靈活度遠遠超過前兩類需求。一是由于數據挖掘問題開放性，導致數據挖掘會涉及大量衍生變量計算，衍生變量多變導致數據預處理計算復雜性;二是很多數據挖掘算法本身就比較復雜，計算量就很大，特別是大量機器學習算法，都是迭代計算，需要通過多次迭代來求**解，例如K-means聚類算法、PageRank算法等。



　　從挖掘任務和挖掘方法的角度，著重**：



　　1)可視化分析。數據可視化無論對于普通用戶或是數據分析專家，都是最基本的功能。數據圖像化可以讓數據自己說話，讓用戶直觀的感受到結果。



　　2)數據挖掘算法。圖像化是將機器語言翻譯給人看，而數據挖掘就是機器的母語。分割、集群、孤立點分析還有各種各樣五花八門的算法讓我們精煉數據，挖掘價值。這些算法一定要能夠應付大數據的量，同時還具有很高的處理速度。



　　3)預測性分析。預測性分析可以讓分析師根據圖像化分析和數據挖掘的結果做出一些前瞻性判斷。



　　4)語義引擎。語義引擎需要設計到有足夠的人工智能以足以從數據中主動地提取信息。語言處理技術包括機器翻譯、情感分析、輿情分析、智能輸入、問答系統等。



　　5)數據質量和數據管理。數據質量與管理是管理的**實踐，透過標準化流程和機器對數據進行處理可以確保獲得一個預設質量的分析結果。



　　什么是大數據分析及挖掘技術.中琛魔方大數據分析平臺(www.zcmorefun.com)表示大數據技術能夠將隱藏于海量數據中的信息和知識挖掘出來，為人類的社會經濟活動提供依據，從而提高各個領域的運行效率，大大提高整個社會經濟的集約化程度。