1、数据类型：大数据平台通常要处理各种类型的数据，包括结构化数据、半结构化数据和非结构化数据。而传统计算模型更倾向于处理结构化数据，例如关系型数据库中的表格数据。数据质量：大数据平台下的计算模型通常需要考虑数据质量的问题。
2、规模差异：在大数据平台中，处理的 data 规模通常远超传统计算模型。大数据平台能够应对海量数据，例如亿级、万亿级数据量，而传统计算模型处理能力有限，难以有效处理如此庞大的数据集。 处理速度：大数据平台面临对高速数据处理的需求。
3、大模型是指具有大规模参数和复杂计算结构的机器学习模型，通常由深度神经网络构建而成，包含数十亿甚至数千亿个参数，模型大小可以达到数百GB甚至更大。这种巨大的模型规模为其提供了强大的表达能力和学习能力，使其能够处理更加复杂的任务和数据。
4、第RFM模型 这个应该是属于数据挖掘工具的一种，属于关联性分析的一种，就可以看出哪两种商品是有关联性的，例如衣服和裤子等搭配穿法，通过Apriori算法，就可以得出两个商品之间的关联系，这可以确定商品的陈列等因素，也可以对客户的购买经历进行组套销售。
5、数据挖掘和分析领域涉及多种模型，旨在从大量数据中提取有价值的信息。以下是几种常见的分析模型： 降维模型 在处理大数据集时，高维度数据可能导致计算复杂度和存储需求增加。降维模型如主成分分析（PCA）和t-SNE，旨在减少数据集的维度，同时保留最重要的信息。
监督学习模型 监督学习模型，就是人们经常说的分类，通过已经有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型，然后再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。
分类分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。
主题模型 主题模型（Topic Model），是提炼出文字中隐含主题的一种建模方法。在统计学中，主题就是词汇表或特定词语的词语概率分布模型。所谓主题，是文字（文章、话语、句子）所表达的中心思想或核心概念。
大数据挖掘的算法：朴素贝叶斯，超级简单，就像做一些数数的工作。如果条件独立假设成立的话，NB将比鉴别模型收敛的更快，所以你只需要少量的训练数据。即使条件独立假设不成立，NB在实际中仍然表现出惊人的好。 Logistic回归，LR有很多方法来对模型正则化。
分析用户的行为数据 推测目标动机 对用户进行访谈调查验证 用户模型建立修正 同时，还可以将收集到的用户信息映射成为用户的属性或用户的行为信息，并存储起来形成用户档案；实时关注自身数据的波动，及时做出战略性调整。
五大数据分析模型PEST分析模型 政治环境：包括一个国家的社会制度，执政党性质，政府的方针、政策、法令等。不同的政治环境对行业发展有不同的影响。关键指标 政治体制，经济体制，财政政策，税收政策，产业政策，投资政策，专利数量，国防开支水平，政府补贴水平，民众对政治的参与度。
大数据等最核心的关键技术：32个算法A*搜索算法——图形搜索算法，从给定起点到给定终点计算出路径。其中使用了一种启发式的估算，为每个节点估算通过该节点的最佳路径，并以之为各个地点排定次序。大数据挖掘的算法：朴素贝叶斯，超级简单，就像做一些数数的工作。
离散微分算法（Discretedifferentiation）。大数据挖掘的算法：朴素贝叶斯，超级简单，就像做一些数数的工作。如果条件独立假设成立的话，NB将比鉴别模型收敛的更快，所以你只需要少量的训练数据。即使条件独立假设不成立，NB在实际中仍然表现出惊人的好。
大数据挖掘的算法：朴素贝叶斯，超级简单，就像做一些数数的工作。如果条件独立假设成立的话，NB将比鉴别模型收敛的更快，所以你只需要少量的训练数据。即使条件独立假设不成立，NB在实际中仍然表现出惊人的好。 Logistic回归，LR有很多方法来对模型正则化。
1、Hadoop：Hadoop是一个分布式计算框架，主要包括两个核心组件：分布式文件系统HDFS和MapReduce。HDFS为海量数据提供了存储，MapReduce为海量数据提供了计算。Hadoop具有高可靠性、高效性、可扩展性和开放性等优点，因此在大数据领域得到了广泛应用。
2、Hadoop：Hadoop 框架基于 Map Reduce 分布式计算，并开发了 HDFS（分布式文件系统）和 HBase（数据存储系统），以满足大数据的处理需求。它的开源性质使其成为分布式计算领域的国际标准，并被 Yahoo、Facebook、Amazon 以及中国的百度、阿里巴巴等知名互联网公司广泛采用。
3、大数据的技术框架主要包括分布式存储、分布式计算、流计算、数据挖掘与分析以及数据可视化等关键技术。
