大数据概念和关键驱动因素

大数据的定义

大数据的四个特征的名△称

两类机器学习的名称和通常与之相关的技术

1.监督式 - 分类和回归

2.非监督式 - 聚类和关联

大数据的起源和三类大数据【发展阶段的特点：

大数据的四个特征以及它们如何区分大数据和传统数据分析

1. Volume – 体量；2. Velocity – 速率；3. Variety- 多样性；4. Veracity – 可信度；

四种识别模式

1. analysis - 分析；2. analytics- 解析；3. business intelligence - 商业智能；4. Big Data - 大数据；

不同类型的解析目的

1. descriptive - 描述性；2. diagnostic - 诊断性；3. predictive - 预测性；4. prescriptive - 规范性

大数据环境中元数据的功能

三类数据类々型的特征

1. Structured - 结构化；2. Unstructured - 非结构化；3. Semi-structured - 半结构化；

Hadoop 在分布式□存储和分布式处理中的作用

了解两类机器学习，并能够识别相关样

1. Supervised - 监督式；2. Unsupervised - 非监督式；

大数据框架

大数据框架六种能力的名称

如何建立大数据组织的六大数据框架能力的相关性

大数据成熟度模型的不同层次

1. Level 1 - Analytically Impaired – 分析能力有损级

2. Level 2 - Localized Analytics – 分析◥能力本地级

3. Level 3 - Analytical Operation - 分析能力运营级

4. Level 4 - Analytical Enterprise - 分析能力企业级

5. Level 5 - Data Driven Enterprise - 数据驱动企业级

大数据战略

制定大数据战略的五个步骤及其顺序

制定大数据战略所需要的六个业务驱动影响因素，以及如何使用大数据来产生竞争优势

优先级矩阵

1. 目的；2. 结构；

制定大数据战略五个步骤中的每一步所涉及的活动:

1. 步骤 1-定义业务目标

2. 步骤 2-评估当前现状

3. 步骤 3-识别用例并排优先级

4. 步骤 4-制定大数◢据路线图

5. 步骤5-通过变更管理植入

大数据架构

指导性架构与其目标

NIST 大数据参考架构的主☆要特点

1. 整体结构（5 个逻辑角色和2个维度)

2. 角色名称

3. 维度名称

4. 信息如何在ξ不同角色之间流动

Hadoop 架构下核心组件的名称

1. NameNode – 名字节点

2. MapReduce – 映射归约

3. SlaveNode - 从属节点

4. Job tracker – 工作跟踪器

5. HDFS - 分布式文件系统

使♂用大数据参考架构的收益

与参考架构中的逻辑角色相关联的职能和活动

1. System Orchestrator - 系统编配器

2. Data Provider - 数据♂提供者

3. Big Data Application Provider - 大数据应用提供者

4. Big Data Framework Provider - 大数据框架提供者『

5. Data Consumer - 数据消费者

本地式处理和分布式存储处理的区别

面对海量数据的三种大数据存储系统

1. Direct Attached Storage (DAS)- 直接附加↘存储

2. Network Attached Storage (NAS) - 网络附ぷ加存储

3. Storage Area Network (SAN) - 存储区域网络

大数据存储机制

1. File systems - 文件系统

2. NoSQL databases - NoSQL 数据库

3. Parallel programming models - 并行编程模型

大数据实证分析体系结构

1. Real time analysis- 实时分析

2. Off-line analysis - 离线分析

Hadoop 在大数据「环境中的功能

以下 Hadoop 组件的角色

1. NameNode – 名字节点

2. MapReduce – 映射归约

3. SlaveNode - 从属节点

4. Job tracker – 工作跟踪器

5. HDFS – 分布式文件系统

大数据算法

什么是描述性统计信◤息

关联的关键要素

1. 什么是关联（correlation

2. 两种用于关联的变量类●型

3. 关于Pearson皮尔逊关联系数■的关键要素

分类的关键要素

1. 它能做什么

2. 机器学习的形式是什么？

对于每种类型的描述性统计，了解每个统计操∞作/分布措︻施或显示

1. Central tendency statistics - 集中趋势统计

2. Dispersion statistics and – 离散统计

3. Distribution Shapes – 分布形态

偏度特征

1. Positive - 正偏度

2. Negative – 负偏度

大数据计算中为什么要标准化

识别和计算描述性统计的示例

不同类型的分布式☆图形的不同类型特征

1. Frequency - 频率分布；2. Probability - 概率分布；3. Sampling – 抽样分布；4. Normal – 正态分布；

为什么分布式图形对大数据和数据科学很重要

1. Probability - 概率分布

2. Sampling – 抽样分布

3. Normal – 正态分布

4. Skew – 偏度

人口、抽样和偏倚对大数据的影响

如何在大数据中使用◣关联，并识别这些示例

关联※与回归的区别

识别分类算法的示例

聚类的关键特性

1. 它能做什么

2. 大多↘数聚类算法的典型着眼点

如何在大数据的上下文中使用异常检测

每个可视∏化技术的关键特性以及每种技术是如何使用的

1. 柱形图；2. 直方图；3. 散点图；4. 双标图；5. 箱型图；6.正态分布Q-Q图；7.饼状图；

大数据流程

用于大数据中三个的主要流程及其主要特征

在数据分析流程中的步骤是Ψ 通常使用的下列工具/技术以及它们在该步骤中的应用方式

1.数据识别图；2.数据可视化技术；3. 算法；

形成大▓数据项目业务目标的六类问题的特点

1.描述性；2.探索性；3. 推理性；4.预测性；5.因果性；6.机理性；

数据分析流程中每个步骤的重要性以及≡每个步骤中发生的情况

1. 确定业务目标；2. 数据识别；3. 数▼据收集和采购；4. 数据评审；5. 数据清洗；6. 模型建立；7. 数据处理；8. 沟通结果；

数据治理流程中每个步骤的重要性以及每个步骤中发生的情况

1. 制定数据质量战略；2. 评审合规性和隐私性需求；3. 制定ζ　数据治理政策；4. 分配角色和职㊣责；

数据管理流程中【每个步骤的重要性以及每个步骤中发生的情况

1. 指定指标和绩效指标；2. 监控和管◥理企业数据；3. 数据改进和验证；4. 对数据管理人员进行沟通◢和培训；

大数据职能

卓越的大数据中心的五大支柱名称和每个支柱的关▓键特征:

1. 大数╳据团队；2.大数据实验室；3. 概念验证；4. 敏捷方法；5.计费模型；

卓越的大数据中心的收益

大数据团队中关键角色的典型职责和技能

1. 大∩数据分析师；2. 大数据科学家；3. 大数据工程师；

大数据组织的六个成功因素

人工智能

基于图灵测试的智能化的实用型定义

关于认知分析的关键因素

1. 什么是认知分析★；2. 认知分析与其他形式的分析之间差异的两个主要特征