应用越来越广泛的大数据建模
近半个世纪以来，随着计算机技术的迅速发展，数学的应用不再局限在工程技术、自然科学等领域，而是以空前的广度和深度向经济、管理、金融、生物、医学、环境、地质、人口、交通等新的领域渗透，数学技术已经成为高新技术的重要组成部分。而在学术界之外，随着大数据时代发展，信息爆炸和海量数据已经渗透到当今的每一个行业和业务职能领域，成为重要的生产因素。在社会和时代的双重推动下，数学建模也从“幕后”走向“台前”，以其独特的重要性与解决实际问题的广泛性，越来越受到当前大学生的青睐和社会的关注。随着电子商务经济以及网络社交的兴起，整个社会已经呈现出一种大数据主导的态势，许多行业都正在经受大数据的考验。为了更好地应对这一挑战，领域内的许多学者和专家都投入了大数据的分析工作中。可喜的是，他们的研究硕果累累。就大数据的分析而言，有许多高效地模型已经在生产中得到了广泛应用，比如关联分析模型、聚类分析模型、分类模型、异常分析模型等，我们只有针对这些具体的模型有立体化的解读，才能在工作中提高对这些模型的应用，以增强工作的效率。所谓的“大数据”分析需要有四个要素。第一，分析主题，即你分析的目的是什么，比如，监测信用卡异常交易？预测下月销量？追踪埃博拉疫情蔓延态势？第二，基础数据，包括结构化及非结构化数据，当然结构化数据分析起来通常要方便些。第三，分析方法，即用什么样的数学方法来分析，既可以是基础的概率统计，也可以是高阶的机器学习，复杂数学建模等。第四，分析工具，即用于分析的软件与硬件工具，我们常听到的hapdoop，mapreduce等名词，就属于这个范畴上述四要素，缺一不可。所以无论小数据时代，还是大数据时代，数学方法都是必不可少的。基本过程是通过多个学科技术的融合，实现数据的抽取、管理和分析，达到发现新知识和规律的目的。信息挖掘是机器学习与数据库技术的交叉；利用机器学习的技术分析海量的数据；利用数据库技术来管理海量的数据。模型构建通常包括模型建立、模型训练、模型验证和模型预测四个步骤，但根据不同的数据挖掘类型，在应用上会有一些细微的不同。模型的建立是一个反复的过程，需要仔细考察不同的模型以判断哪个模型对问题是最有用的。
2017年全国大数据建模会议马上就要来了，你做好准备了吗？
页:
[1]