教育云平台竞对比较与详解.pptx

平台技术展望;大数据——云计算和人工智能;超算平台;超脑计划;阿里云;阿里云架构;阿里云架构;阿里云服务;阿里云服务;阿里云优势-1;阿里云优势-2;大数据平台设计的关键点;大数据中心——大计算、云存储能力;大数据中心——数据体系;大数据中心——USER PROFILE;大数据中心——消费者信息工场（TCIF）;ID MAPPING;用户智能选择;数据分析工具;数据魔方;数据魔方;全网网页内容分析——全平台？;全媒体服务平台;全媒体服务平台架构;1. Analytic Visualizations（可视化分析） 　　不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。 2. Data Mining Algorithms（数据挖掘算法） 　　可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值???这些算法不仅要处理大数据的量，也要处理大数据的速度。 3. Predictive Analytic Capabilities（预测性分析能力） 　　数据挖掘可以让分析员更好的理解数据，而预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。 4. Semantic Engines（语义引擎） 　　我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。 5. Data Quality and Master Data Management（数据质量和数据管理） 数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。 假如大数据真的是下一个重要的技术革新的话，我们最好把精力关注在大数据能给我们带来的好处，而不仅仅是挑战。