扫码加入数据分析学习群

1、算法(Algorithms)：可以完成某种数据分析的数学公式。

2、数据挖掘（Data mining)：数据挖掘是通过使用复杂的模式识别技术，从而找到有意义的模式，并得出大量数据的见解。

3、分析法(Analytics)：用于发现数据的内在涵义。

4、行为分析法(Behavioural Analytics)：这种分析法是根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式。

5、分类分析(Classification analysis)：从数据中获得重要的相关性信息的系统化过程;这类数据也被称为元数据(meta data),是描述数据的数据。

6、聚类分析(Clustering analysis)：它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性。

7、对比分析(Comparative analysis)：在非常大的数据集中进行模式匹配时，进行一步步的对比和计算过程得到分析结果。

8、判别分析(Discriminant analysis)：将数据分类，按不同的分类方式，可将数据分配到不同的群组，类别或者目录。是一种统计分析法，可以对数据中某些群组或集群的已知信息进行分析，并从中获取分类规则。

9、相关性分析(Correlation analysis)：是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关。

10、探索性分析(Exploratory analysis)：在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法。

11、优化分析(Optimization analysis)：在产品设计周期依靠算法来实现的优化过程，在这一过程中，公司可以设计各种各样的产品并测试这些产品是否满足预设值。

12、预测分析(Predictive analysis)：大数据分析方法中最有价值的一种分析方法，这种方法有助于预测个人未来(近期)的行为，例如某人很可能会买某些商品，可能会访问某些网站，做某些事情或者产生某种行为。通过使用各种不同的数据集，例如历史数据，事务数据，社交数据，或者客户的个人信息数据，来识别风险和机遇。

13、回归分析(Regression analysis)：确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注：自变量，因变量，二者不可互换)。

14、情感分析(Sentiment Analysis)：通过算法分析出人们是如何看待某些话题。

15、数据清洗(Data cleansing)：对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。

16、数据集市(Data Mart)：进行数据集买卖的在线交易场所。

文件存贮数据库(Document Store Databases)：又称为文档数据库，为存储、管理、恢复文档数据而专门设计的数据库，这类文档数据也称为半结构化数据。

17、Hadoop：一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。

18、Hadoop数据库(HBase)：一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用。

19、物联网（IoT）：IOT通过互联网将嵌入式对象（传感器，可穿戴设备，汽车，冰箱等）中的计算设备进行互连，并且能够发送以及接收数据。IOT生成大量数据，提供了大量大数据分析的机会。

20、模式识别(Pattern Recognition)：通过算法来识别数据中的模式，并对同一数据源中的新数据作出预测。

21、推荐引擎(Recommendation engine)：推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品。

22、半结构化数据(Semi-structured data)：半结构化数据并不具有结构化数据严格的存储结构，但它可以使用标签或其他形式的标记方式以保证数据的层次结构。

23、结构化数据(Structured data)：可以组织成行列结构，可识别的数据。这类数据通常是一条记录，或者一个文件，或者是被正确标记过的数据中的某一个字段，并且可以被精确地定位到。

24、非结构化数据(Un-structured data)：非结构化数据一般被认为是大量纯文本数据，其中还可能包含日期，数字和实例。