vue数据改变渲染问题_5个有趣的大数据项目，可能改变人们解决问题的方式

大数据分析推动了机器学习，还有很多技术尚未开发。人们需要了解Hadoop生态系统等框架，才能实现多数大数据项目。Hadoop下的MapReduce框架为分布式计算提供了巨大的可扩展性。此外，大数据项目需要巨大的处理能力，有两种常见的方法可以获得这样的处理能力：

• 为并行计算设置服务器或分布式群集：可以设置具有多个内核和高内存的计算机。多个线程并行运行需要多个核心。对于大数据，内存要求通常很高。另一种方法可能是设置多个较小的机器并在它们之间分配工作负载(这需要可扩展，因为可能要添加更多的机器)。但是，这样的设置很昂贵，而且繁琐。

• 云计算：亚马逊、谷歌和微软等公司已经为消费者建立了庞大的数据中心。人们可以根据自己的需求和时间段购买服务。这要好得多，并且需要的设置可以忽略不计，而且费用远远低于前一种方法。

5个有趣的大数据用例

• 犯罪预测： 机器学习已经显示出预测犯罪的巨大空间。犯罪地点、主题、受害者描述、时间等的历史数据可用于建模机器学习框架。由于有大量的数据，尤其对于大都市来说，一天的数据足以让普通计算机超载。因此，快速处理需要高效和优化的模型。

• 分析核物理数据： 这对很多人来说听起来很酷，但同样很复杂。CERN等公司向公众发布了大量数据进行分析和研究，这个数据量肯定不小。通常，一秒钟的捕获可以拥有超过十亿个数据点，最多可以有十个不同的维度。有些情况下，数据已达到一万亿个数据点(是的，12个零)。在这种情况下，处理能力必须与超级可扩展框架一起使用。各大学的研究人员使用具有100,000多个节点的机器来实现即时计算。

• 模拟和预测流量：模拟和预测路线流量的问题一直是一个长期存在的问题。目前已经建立了用于利用实时数据正确模拟交通的模型。然而，需要开发能够正确预测交通的模型，该领域目前还没有人能够完美地实现它。它需要复杂的建模和以最小延迟处理大量数据。这意味着这种模型的基础设施应该是超级高效的，以便它可以实时预测流量。

• 自然语言建模： 计算机中使用的语言很简单，在大多数情况下都是“无上下文”。然而，人类语言要复杂得多，需要上下文、庞大的知识库和正确的语法。随着我们看到更多人工智能助手问世(如Siri，Alexa等)，我们也开始注意到它们的不完美之处以及它们离人类还有多远。自然语言建模是一项艰巨的任务，需要大量的数据才能开始。

• 欺诈检测： 无论是电子邮件、短信、交易还是口语，都可以使用欺诈检测。要知道电子邮件是不是虚假的或者交易是不是阴暗的，需要的不仅仅是人类的智慧。此应用程序在许多领域中具有潜在用途，并且是任何服务中非常重要的一部分。