『壹』 朋友想學習大數據，有哪裡可以學習呢
大數據也是最近幾年才火起來的學科，之前發展一直是不瘟不火的，可能是和這些年高速發展是互聯網有一定的關系的。
目前想要學習大數據建議還是去一線城市進行學習的比較好，大數據是屬於高度技術行業，在二三線城市現在發展得還不是很好，大多數的大企業都是在一線城市，所以很多技術都是出現在一線城市的。
選擇去北京學習大數據確實非常不錯，因為現在大數據發展比較好的地方也就是北上廣這樣的地方。而且在這里也是大數據培訓機構比較集中的地方，這里的機構有很多，其中相對比較專業的機構也有很多，大家可以選擇到的幾率也比較高。
具體的大家可以通過機構的師資、課程、學習環境以及就業情況等多方面的內容去對比選擇，我相信總有一家是比較適合你的。
如果，確定了想要到北京學習大數據技術的話，大家可以到尚矽谷來進行了解一下。
學習大數據之前建議獻血好計算機基礎知識，否則如同聚沙成塔一般根基不穩。
具體到大數據本身，建議先掌握一些基本的工具，例如hive，Hadoop，hbase，es等，先做一些簡單的數據分析。
個人學習經驗，如果是我會先選擇找一本入門的大數據相關的書籍，通讀一遍，建立對大數據的一個概念。然後可以到b站或者慕課網等學習網站找視頻資源，這類視頻也有深有淺，看自己當時的情況有選擇的看。最後，你想要更近一步的探究大數據，就應該找更專業的書籍或論文去研讀，這一類論文可以到知網或者谷歌文獻去找。
一、如何將商業運營問題轉化為大數據挖掘問題
那麼，問題來了，我們該如何把上述的商業運營問題轉化為數據挖掘問題?可以對數據挖掘問題進行細分，分為四類問題：分類問題、聚類問題、關聯問題、預測問題。
1、分類問題
用戶流失率、促銷活動響應、評估用戶度都屬於數據挖掘的分類問題，我們需要掌握分類的特點，知道什麼是有監督學習，掌握常見的分類方法:決策樹、貝葉斯、KNN、支持向量機、神經網路和邏輯回歸等。
2、聚類問題
細分市場、細分客戶群體都屬於數據挖掘的聚類問題，我們要掌握聚類特點，知道無監督學習，了解常見的聚類演算法，例如劃分聚類、層次聚類、密度聚類、網格聚類、基於模型聚類等。
3、關聯問題
交叉銷售問題等屬於關聯問題，關聯分析也叫購物籃分析，我們要掌握常見的關聯分析演算法：Aprior演算法、Carma演算法，序列演算法等。
4、預測問題
我們要掌握簡單線性回歸分析、多重線性回歸分析、時間序列等。
二、用何種工具實操大數據挖掘
能實現數據挖掘的工具和途徑實在太多，SPSS、SAS、Python、R等等都可以，但是我們需要掌握哪個或者說要掌握哪幾個，才算學會了數據挖掘?這需要看你所處的層次和想要進階的路徑是怎樣的。
第一層級：達到理解入門層次
了解統計學和資料庫即可。
第二層級：達到初級職場應用層次
資料庫+統計學+SPSS(也可以是SPSS代替軟體)
第三層級：達到中級職場應用層次
SAS或R
第四層級：達到數據挖掘師層次
SAS或R+Python(或其他編程語言)
三、如何利用Python學習大數據挖掘
只要能解決實際問題，用什麼工具來學習數據挖掘都是無所謂，這里首推Python。那該如何利用Python來學習數據挖掘?需要掌握Python中的哪些知識?
1、Pandas庫的操作
Panda是數據分析特別重要的一個庫，我們要掌握以下三點：
pandas 分組計算;
pandas 索引與多重索引;
索引比較難，但是卻是非常重要的
pandas 多表操作與數據透視表
2、numpy數值計算
numpy數據計算主要應用是在數據挖掘，對於以後的機器學習，深度學習，這也是一個必須掌握的庫，我們要掌握以下內容：
Numpy array理解;
數組索引操作;
數組計算;
Broadcasting(線性代數裡面的知識)
3、數據可視化-matplotlib與seaborn
Matplotib語法
python最基本的可視化工具就是matplotlib。咋一看Matplotlib與matlib有點像，要搞清楚二者的關系是什麼，這樣學習起來才會比較輕松。
seaborn的使用
seaborn是一個非常漂亮的可視化工具。
pandas繪圖功能
前面說過pandas是做數據分析的，但它也提供了一些繪圖的API。
4、數據挖掘入門
這部分是最難也是最有意思的一部分，要掌握以下幾個部分：
機器學習的定義
在這里跟數據挖掘先不做區別
代價函數的定義
Train/Test/Validate
Overfitting的定義與避免方法
5、數據挖掘演算法
數據挖掘發展到現在，演算法已經非常多，下面只需掌握最簡單的，最核心的，最常用的演算法：
最小二乘演算法;
梯度下降;
向量化;
極大似然估計;
Logistic Regression;
Decision Tree;
RandomForesr;
XGBoost;
6、數據挖掘實戰
通過機器學習裡面最著名的庫scikit-learn來進行模型的理解。
以上，就是為大家理清的大數據挖掘學習思路邏輯。可是，這還僅僅是開始，在通往數據挖掘師與數據科學家路上，還要學習文本處理與自然語言知識、Linux與Spark的知識、深度學習知識等等，我們要保持持續的興趣來學習數據挖掘。
網易雲課堂
『貳』 0基礎自學大數據哪裡找視頻教材
零基礎想要學習大數據，講真，真的還是一件困難的事，不過人生就是這樣，只有你越過更大的困難，才知道自己會有更大的收獲。就像現在的大數據行業，人人都說大數據行業好，薪資高，但是你看到過每一個學習大數據的學生為此付出的慘痛經歷嗎？你看到過大數據工程師曾經日夜苦讀、鑽研書籍和教程嗎？付出不一定有回報，但不付出一定不會有回報，想要更大的收獲，先來收下這波大數據書籍和視頻教程吧！
一、大數據書籍推薦：
1、《為數據而生》
書中分別闡述在大數據1.0、大數據2.0和大數據3.0時代下，相對應的數據分析需要做到分析、外化、集成。
2、《智能時代》
這本書作者分七章從不同角度對大數據進行介紹，分別以技術和思維方式的改變為主線，從工業革命這個角度嵌入，順理成章的延伸出大數據與智能化，但是沒有將過多筆墨放在技術的深究上，而是選擇從應用層面體現大數據的理念。大數據應用則會滲透到各行各業，這正是作者的用心之處。
3、《R語言預測實戰》
R語言橫跨了金融、生物、醫學、互聯網等多個領域，主要用於統計、建模及可視化。由於上手快、效率高，備受技術人員青睞。預測是大數據挖掘的主要作用之一,藉助R語言來做大數據預測，可以兼具效率與價值於一身。
3、《數據之巔》
這本書中，從小數據時代到大數據的崛起，作者以宏大的歷史觀、文化觀、大數據觀，給我們描繪了一幅數據科學、智慧文化的全景圖。
4、《Hadoop權威指南》
《Hadoop權威指南(中文版)》從Hadoop的緣起開始，由淺入深，結合理論和實踐，全方位地介紹Hadoop這一高性能處理海量數據集的理想工具。
5、《Hive編程指南》
《Hive編程指南》是一本Apache Hive的編程指南，旨在介紹如何使用Hive的SQL方法HiveQL來匯總、查詢和分析存儲在Hadoop分布式文件系統上的大數據集合。
大數據視頻教程
對於零基礎想學大數據的同學，小編不建議你一上來就接觸大數據，你和大數據的近距離接觸還有一個門檻，那就是編程語言的學習，學習大數據的首要綱領，就是熟練掌握一門編程語言。小編咨詢了千鋒大數據講師，當前大數據所運用的編程語言基本都是java，也會涉及到Python、Scala編程語言，所以先從掌握一門編程語言學起吧！
java全套視頻教程總目錄
python最新基礎視頻教程
進行完大數據編程語言的學習，這時候你就可以真正的接觸大數據技術知識了，我們知道大數據以Hadoop、spark、storm等核心技術組成，自然也會以此為重點突破。
大數據教程：Spark基礎及源碼分析
大數據課程：hadoop生態圈視頻
『叄』 求高手推薦學習數據挖掘的方法以及詳細的學習過程。
個人建議如下：
第一階段：掌握數據挖掘的基本概念和方法。先對數據挖掘有一版個概念的認識權，並掌握基本的演算法，如分類演算法、聚類演算法、協同過濾演算法等。
參考書：《數據挖掘概念和技術》（第三版）范明，孟小峰 譯著。
第二階段：掌握大數據時代下的數據挖掘和分布式處理演算法。現在已經進入大數據時代，傳統的數據挖掘演算法已經不適用於
參考書：《大數據：互聯網大規模數據挖掘和分布式處理》 王斌 譯著。
第三階段：使用Hadoop進行大數據挖掘。Hadoop裡面有一個Mahout組件，幾乎包括了所有的數據挖掘演算法，包括分類、聚類、關聯規則等。
參考書：Hadoop實戰（第二版）.陸嘉恆 著。
另外，數據挖掘是資料庫技術、人工智慧技術、機器學習技術、統計學習理論、數據可視化等一系列技術的綜合，所以，要想學好數據挖掘，這些技術也得懂的呀。
推薦入門時先看浙江大學王燦老師的數據挖掘課程，網上搜下。
期待與你一起學習數據挖掘，共同揭開數據之美。望採納。
『肆』 求浙江大學，王燦老師，數據挖掘，共42講，全套視頻教程
可以給我一份么？
『伍』 大數據挖掘。
現在感覺大家說大數據，一般都在炒概念，大數據並不難，怎麼讓數據分析落地式很難的，在我來看，1989年至今以來目前很多人都在吹噓大數據，但是真正懂大數據落地的人寥寥無幾。
『陸』 大數據怎麼學
其實簡單的來說，大數據就是通過分析和挖掘全量的非抽樣的數據輔助決策。
大數據可以實現的應用可以概括為兩個方向，一個是精準化定製，第二個是預測。比如像通過搜索引擎搜索同樣的內容，每個人的結果卻是大不相同的。再比如精準營銷、網路的推廣、淘寶的喜歡推薦，或者你到了一個地方，自動給你推薦周邊的消費設施等等。
很多新手剛開始會考慮自學大數據，時間安排自由，但是新手如何自學大數據是個相當嚴峻的問題，看視頻學大數據可以嗎?可以，但問題的關鍵在於你要找出優質的大數據視頻教程，然後要確保自己在學習中無遺漏，並且最好是伴隨著你相應的筆記。
新手自學大數據中，特別注意的是要進行項目練習，大數據在剛接觸時會有些新鮮感，但是接下來就是一些乏味感,一味的只看不練，那麼學起來更乏味，大數據本身也是門需要大量項目練習鞏固知識的專業，不多多進行項目練習，那麼很大程度上就等於白學，學不能致用。
新手自學大數據難嗎?其實相當有難度，大數據知識學習起來其實還滿雜的，既得學大數據基礎，又得掌握很多統計學等等的知識，自學大數據一個人的視野也畢竟有限，遇到難題時，想找個人一起商討如何解決，難，想證明自己所做的數據分析正確全面，但是無人可證。
沒有基礎的，我是建議去找一個專業的學習去學習，會大大的縮減學習時間以及提高學習效率
『柒』 哪些軟體可以免費觀看關雲計算大數據的視頻課程
大數據，還是不敢找工作？ 內功不夠！十八掌教育帶你煉內功！
十八掌教內育努力打造容一套地表最強【大數據+雲計算】內功修煉系列課程，旨在帶你深入學習雲計算+大數據。不拿「地攤貨、三腳貓、低級入門」課程來忽悠學員！全部干貨，拒絕忽悠，拒絕廢話，上來就干！庖丁解牛，剝繭抽絲，行雲流水，大徹大悟，讓你聽課聽到興奮！
IT十八掌旨在幫助廣大學員進行真正的「內功修煉」，練就軟體開發十八般武藝，行走江湖，所向披靡！
我干3月就能掙到你干全年的錢！ 還在等什麼？ 還不快來學！
∴
『捌』 大數據學習需要哪些課程
主修課程抄：面向對象襲程序設計、Hadoop實用技術、數據挖掘、機器學習、數據統計分析、高等數學、Python編程、JAVA編程、資料庫技術、Web開發、Linux操作系統、大數據平台搭建及運維、大數據應用開發、可視化設計與開發等
『玖』 求黑馬程序員大數據視頻教程，入門的就行！
大數據課程是有些難度的，建議還是實踐和理論課一起進行，可以多了解幾家綜合比較一下，利用空閑時間專門學習。我目前看的是黑馬程序員大數據的視頻，感覺入門很不錯的。
『拾』 大數據時代的數據怎麼挖掘
3月13日下午，南京郵電大學計算機學院、軟體學院院長、教授李濤在CIO時代微講座欄目作了題為《大數據時代的數據挖掘》的主題分享，深度詮釋了大數據及大數據時代下的數據挖掘。
眾所周知，大數據時代的大數據挖掘已成為各行各業的一大熱點。
一、數據挖掘
在大數據時代，數據的產生和收集是基礎，數據挖掘是關鍵，數據挖掘可以說是大數據最關鍵也是最基本的工作。通常而言，數據挖掘也稱為DataMining，或知識發現Knowledge Discovery from Data，泛指從大量數據中挖掘出隱含的、先前未知但潛在的有用信息和模式的一個工程化和系統化的過程。
不同的學者對數據挖掘有著不同的理解，但個人認為，數據挖掘的特性主要有以下四個方面：
1.應用性（A Combination of Theory and Application）：數據挖掘是理論演算法和應用實踐的完美結合。數據挖掘源於實際生產生活中應用的需求，挖掘的數據來自於具體應用，同時通過數據挖掘發現的知識又要運用到實踐中去，輔助實際決策。所以，數據挖掘來自於應用實踐，同時也服務於應用實踐，數據是根本，數據挖掘應以數據為導向，其中涉及到演算法的設計與開發都需考慮到實際應用的需求，對問題進行抽象和泛化，將好的演算法應用於實際中，並在實際中得到檢驗。
2.工程性（An Engineering Process）：數據挖掘是一個由多個步驟組成的工程化過程。數據挖掘的應用特性決定了數據挖掘不僅僅是演算法分析和應用，而是一個包含數據准備和管理、數據預處理和轉換、挖掘演算法開發和應用、結果展示和驗證以及知識積累和使用的完整過程。而且在實際應用中，典型的數據挖掘過程還是一個交互和循環的過程。
3.集合性（A Collection of Functionalities）：數據挖掘是多種功能的集合。常用的數據挖掘功能包括數據探索分析、關聯規則挖掘、時間序列模式挖掘、分類預測、聚類分析、異常檢測、數據可視化和鏈接分析等。一個具體的應用案例往往涉及多個不同的功能。不同的功能通常有不同的理論和技術基礎，而且每一個功能都有不同的演算法支撐。
4.交叉性（An Interdisciplinary Field）：數據挖掘是一門交叉學科，它利用了來自統計分析、模式識別、機器學習、人工智慧、信息檢索、資料庫等諸多不同領域的研究成果和學術思想。同時一些其他領域如隨機演算法、資訊理論、可視化、分布式計算和最優化也對數據挖掘的發展起到重要的作用。數據挖掘與這些相關領域的區別可以由前面提到的數據挖掘的3個特性來總結，最重要的是它更側重於應用。
綜上所述，應用性是數據挖掘的一個重要特性，是其區別於其他學科的關鍵，同時，其應用特性與其他特性相輔相成，這些特性在一定程度上決定了數據挖掘的研究與發展，同時，也為如何學習和掌握數據挖掘提出了指導性意見。如從研究發展來看，實際應用的需求是數據挖掘領域很多方法提出和發展的根源。從最開始的顧客交易數據分析（market basket analysis）、多媒體數據挖掘（multimedia data mining）、隱私保護數據挖掘（privacy-preserving data mining）到文本數據挖掘（text mining）和Web挖掘（Web mining），再到社交媒體挖掘（social media mining）都是由應用推動的。工程性和集合性決定了數據挖掘研究內容和方向的廣泛性。其中，工程性使得整個研究過程里的不同步驟都屬於數據挖掘的研究范疇。而集合性使得數據挖掘有多種不同的功能，而如何將多種功能聯系和結合起來，從一定程度上影響了數據挖掘研究方法的發展。比如，20世紀90年代中期，數據挖掘的研究主要集中在關聯規則和時間序列模式的挖掘。到20世紀90年代末，研究人員開始研究基於關聯規則和時間序列模式的分類演算法（如classification based on association），將兩種不同的數據挖掘功能有機地結合起來。21世紀初，一個研究的熱點是半監督學習（semi-supervised learning）和半監督聚類（semi-supervised clustering），也是將分類和聚類這兩種功能有機結合起來。近年來的一些其他研究方向如子空間聚類（subspace clustering）（特徵抽取和聚類的結合）和圖分類（graph classification）（圖挖掘和分類的結合）也是將多種功能聯系和結合在一起。最後，交叉性導致了研究思路和方法設計的多樣化。
前面提到的是數據挖掘的特性對研究發展及研究方法的影響，另外，數據挖掘的這些特性對如何學習和掌握數據挖掘提出了指導性的意見，對培養研究生、本科生均有一些指導意見，如應用性在指導數據挖掘時，應熟悉應用的業務和需求，需求才是數據挖掘的目的，業務和演算法、技術的緊密結合非常重要，了解業務、把握需求才能有針對性地對數據進行分析，挖掘其價值。因此，在實際應用中需要的是一種既懂業務，又懂數據挖掘演算法的人才。工程性決定了要掌握數據挖掘需有一定的工程能力，一個好的數據額挖掘人員首先是一名工程師，有很強大的處理大規模數據和開發原型系統的能力，這相當於在培養數據挖掘工程師時，對數據的處理能力和編程能力很重要。集合性使得在具體應用數據挖掘時，要做好底層不同功能和多種演算法積累。交叉性決定了在學習數據挖掘時要主動了解和學習相關領域的思想和技術。
因此，這些特性均是數據挖掘的特點，通過這四個特性可總結和學習數據挖掘。
二、大數據的特徵
大數據（bigdata）一詞經常被用以描述和指代信息爆炸時代產生的海量信息。研究大數據的意義在於發現和理解信息內容及信息與信息之間的聯系。研究大數據首先要理清和了解大數據的特點及基本概念，進而理解和認識大數據。
研究大數據首先要理解大數據的特徵和基本概念。業界普遍認為，大數據具有標準的「4V」特徵：
1.Volume（大量）：數據體量巨大，從TB級別躍升到PB級別。
2.Variety（多樣）：數據類型繁多，如網路日誌、視頻、圖片、地理位置信息等。
3.Velocity（高速）：處理速度快，實時分析，這也是和傳統的數據挖掘技術有著本質的不同。
4.Value（價值）：價值密度低，蘊含有效價值高，合理利用低密度價值的數據並對其進行正確、准確的分析，將會帶來巨大的商業和社會價值。
上述「4V」特點描述了大數據與以往部分抽樣的「小數據」的主要區別。然而，實踐是大數據的最終價值體現的唯一途徑。從實際應用和大數據處理的復雜性看，大數據還具有如下新的「4V」特點：
5.Variability（變化）：在不同的場景、不同的研究目標下數據的結構和意義可能會發生變化，因此，在實際研究中要考慮具體的上下文場景（Context）。
6.Veracity（真實性）：獲取真實、可靠的數據是保證分析結果准確、有效的前提。只有真實而准確的數據才能獲取真正有意義的結果。
7.Volatility（波動性）/Variance（差異）：由於數據本身含有噪音及分析流程的不規范性，導致採用不同的演算法或不同分析過程與手段會得到不穩定的分析結果。
8.Visualization（可視化）：在大數據環境下，通過數據可視化可以更加直觀地闡釋數據的意義，幫助理解數據，解釋結果。
綜上所述，以上「8V」特徵在大數據分析與數據挖掘中具有很強的指導意義。
三、大數據時代下的數據挖掘
在大數據時代，數據挖掘需考慮以下四個問題：
大數據挖掘的核心和本質是應用、演算法、數據和平台4個要素的有機結合。
因為數據挖掘是應用驅動的，來源於實踐，海量數據產生於應用之中。需用具體的應用數據作為驅動，以演算法、工具和平台作為支撐，最終將發現的知識和信息應用到實踐中去，從而提供量化的、合理的、可行的、且能產生巨大價值的信息。
挖掘大數據中隱含的有用信息需設計和開發相應的數據挖掘和學習演算法。演算法的設計和開發需以具體的應用數據作為驅動，同時在實際問題中得到應用和驗證，而演算法的實現和應用需要高效的處理平台，這個處理平台可以解決波動性問題。高效的處理平台需要有效分析海量數據，及時對多元數據進行集成，同時有力支持數據化對演算法及數據可視化的執行，並對數據分析的流程進行規范。
總之，應用、演算法、數據、平台這四個方面相結合的思想，是對大數據時代的數據挖掘理解與認識的綜合提煉，體現了大數據時代數據挖掘的本質與核心。這四個方面也是對相應研究方面的集成和架構，這四個架構具體從以下四個層面展開：
應用層（Application）：關心的是數據的收集與演算法驗證，關鍵問題是理解與應用相關的語義和領域知識。
數據層（Data）：數據的管理、存儲、訪問與安全，關心的是如何進行高效的數據使用。
演算法層（Algorithm）：主要是數據挖掘、機器學習、近似演算法等演算法的設計與實現。
平台層（Infrastructure）：數據的訪問和計算，計算平台處理分布式大規模的數據。
綜上所述，數據挖掘的演算法分為多個層次，在不同的層面有不同的研究內容，可以看到目前在做數據挖掘時的主要研究方向，如利用數據融合技術預處理稀疏、異構、不確定、不完整以及多來源數據；挖掘復雜動態變化的數據；測試通過局部學習和模型融合所得到的全局知識，並反饋相關信息給預處理階段；對數據並行分布化，達到有效使用的目的。
四、大數據挖掘系統的開發
1.背景目標
大數據時代的來臨使得數據的規模和復雜性都出現爆炸式的增長，促使不同應用領域的數據分析人員利用數據挖掘技術對數據進行分析。在應用領域中，如醫療保健、高端製造、金融等，一個典型的數據挖掘任務往往需要復雜的子任務配置，整合多種不同類型的挖掘演算法以及在分布式計算環境中高效運行。因此，在大數據時代進行數據挖掘應用的一個當務之急是要開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
之前提到一個數據挖掘有多種任務、多種功能及不同的挖掘演算法，同時，需要一個高效的平台。因此，大數據時代的數據挖掘和應用的當務之急，便是開發和建立計算平台和工具，支持應用領域的數據分析人員能夠有效地執行數據分析任務。
2.相關產品
現有的數據挖掘工具
有Weka、SPSS和SQLServer，它們提供了友好的界面，方便用戶進行分析，然而這些工具並不適合進行大規模的數據分析，同時，在使用這些工具時用戶很難添加新的演算法程序。
流行的數據挖掘演算法庫
如Mahout、MLC++和MILK，這些演算法庫提供了大量的數據挖掘演算法。但這些演算法庫需要有高級編程技能才能進行任務配置和演算法集成。
最近出現的一些集成的數據挖掘產品
如Radoop和BC-PDM，它們提供友好的用戶界面來快速配置數據挖掘任務。但這些產品是基於Hadoop框架的，對非Hadoop演算法程序的支持非常有限。沒有明確地解決在多用戶和多任務情況下的資源分配。
3.FIU-Miner
為解決現有工具和產品在大數據挖掘中的局限性，我們團隊開發了一個新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一個用戶友好並支持在分布式環境中進行高效率計算和快速集成的數據挖掘系統。與現有數據挖掘平台相比，FIU-Miner提供了一組新的功能，能夠幫助數據分析人員方便並有效地開展各項復雜的數據挖掘任務。
與傳統的數據挖掘平台相比，它提供了一些新的功能，主要有以下幾個方面：
A.用戶友好、人性化、快速的數據挖掘任務配置。基於「軟體即服務」這一模式，FIU-Miner隱藏了與數據分析任務無關的低端細節。通過FIU-Miner提供的人性化用戶界面，用戶可以通過將現有演算法直接組裝成工作流，輕松完成一個復雜數據挖掘問題的任務配置，而不需要編寫任何代碼。
B.靈活的多語言程序集成。允許用戶將目前最先進的數據挖掘演算法直接導入系統演算法庫中，以此對分析工具集合進行擴充和管理。同時，由於FIU-Miner能夠正確地將任務分配到有合適運行環境的計算節點上，所以對這些導入的演算法沒有實現語言的限制。
C.異構環境中有效的資源管理。FIU-Miner支持在異構的計算環境中（包括圖形工作站、單個計算機、和伺服器等）運行數據挖掘任務。FIU-Miner綜合考慮各種因素（包括演算法實現、伺服器負載平衡和數據位置）來優化計算資源的利用率。
D.有效的程序調度和執行。
應用架構上包括用戶界面層、任務和系統管理層、邏輯資源層、異構的物理資源層。這種分層架構充分考慮了海量數據的分布式存儲、不同數據挖掘演算法的集成、多重任務的配置及系統用戶的交付功能。一個典型的數據挖掘任務在應用之中需要復雜的主任務配置，整合多種不同類型的挖掘演算法。因此，開發和建立這樣的計算平台和工具，支持應用領域的數據分析人員進行有效的分析是大數據挖掘中的一個重要任務。
FIU-Miner系統用在了不同方面：如高端製造業、倉庫智能管理、空間數據處理等，TerraFly GeoCloud是建立在TerraFly系統之上的、支持多種在線空間數據分析的一個平台。提供了一種類SQL語句的空間數據查詢與挖掘語言MapQL。它不但支持類SQL語句，更重要的是可根據用戶的不同要求，進行空間數據挖掘，渲染和畫圖查詢得到空間數據。通過構建空間數據分析的工作流來優化分析流程，提高分析效率。
製造業是指大規模地把原材料加工成成品的工業生產過程。高端製造業是指製造業中新出現的具有高技術含量、高附加值、強競爭力的產業。典型的高端製造業包括電子半導體生產、精密儀器製造、生物制葯等。這些製造領域往往涉及嚴密的工程設計、復雜的裝配生產線、大量的控制加工設備與工藝參數、精確的過程式控制制和材料的嚴格規范。產量和品質極大地依賴流程管控和優化決策。因此，製造企業不遺餘力地採用各種措施優化生產流程、調優控制參數、提高產品品質和產量，從而提高企業的競爭力。
在空間數據處理方面，TerraFly GeoCloud對多種在線空間數據分析。對傳統數據分析而言，其難點在於MapQL語句比較難寫，任務之間的關系比較復雜，順序執行之間空間數據分許效率較低。而FIU-Miner可有效解決以上三個難點。
總結而言，大數據的復雜特徵對數據挖掘在理論和演算法研究方面提出了新的要求和挑戰。大數據是現象，核心是挖掘數據中蘊含的潛在信息，並使它們發揮價值。數據挖掘是理論技術和實際應用的完美結合。數據挖掘是理論和實踐相結合的一個例子。