目前的深度學(xué)習(xí)主要是建立在大數(shù)據(jù)的基礎(chǔ)上，即對大數(shù)據(jù)進(jìn)行訓(xùn)練，并從中歸納出可以被計(jì)算機(jī)運(yùn)用在類似數(shù)據(jù)上的知識(shí)或規(guī)律。那么，到底什么是大數(shù)據(jù)呢？

人們經(jīng)常籠統(tǒng)地說，大數(shù)據(jù)就是大規(guī)模的數(shù)據(jù)。

這個(gè)說法并不準(zhǔn)確。“大規(guī)模”只是指數(shù)據(jù)的量而言。數(shù)據(jù)量大，并不代表著數(shù)據(jù)一定有可以被深度學(xué)習(xí)算法利用的價(jià)值。例如，地球繞太陽運(yùn)轉(zhuǎn)的過程中，每一秒鐘記錄一次地球相對太陽的運(yùn)動(dòng)速度、位置，可以得到大量數(shù)據(jù)。可如果只有這樣的數(shù)據(jù)，其實(shí)并沒有太多可以挖掘的價(jià)值，因?yàn)榈厍驀@太陽運(yùn)轉(zhuǎn)的物理規(guī)律，人們已經(jīng)研究得比較清楚了。

那么，大數(shù)據(jù)到底是什么？大數(shù)據(jù)是如何產(chǎn)生的？什么樣的數(shù)據(jù)才最有價(jià)值，最適合作為計(jì)算機(jī)的學(xué)習(xí)對象呢？

根據(jù)馬丁·希爾伯特的總結(jié)，今天我們常說的大數(shù)據(jù)其實(shí)是在2000年后，因?yàn)樾畔⒔粨Q、信息存儲(chǔ)、信息處理三個(gè)方面能力的大幅增長而產(chǎn)生的數(shù)據(jù)：

信息交換：據(jù)估算，從1986年到2007年這20年間，地球上每天可以通過既有信息通道交換的信息數(shù)量增長了約217倍，這些信息的數(shù)字化程度，則從1986年的約20%增長到2007年的約99.9%。在數(shù)字化信息爆炸式增長的過程里，每個(gè)參與信息交換的節(jié)點(diǎn)都可以在短時(shí)間內(nèi)接收并存儲(chǔ)大量數(shù)據(jù)。

信息存儲(chǔ)：全球信息存儲(chǔ)能力大約每3年翻一番。從1986年到2007年這20年間，全球信息存儲(chǔ)能力增加了約120倍，所存儲(chǔ)信息的數(shù)字化程度也從1986年的約1%增長到2007年的約94%。1986年時(shí)，即便用上我們所有的信息載體、存儲(chǔ)手段，我們也不過能存儲(chǔ)全世界所交換信息的大約1%，而2007年這個(gè)數(shù)字已經(jīng)增長到大約16%。信息存儲(chǔ)能力的增加為我們利用大數(shù)據(jù)提供了近乎無限的想象空間。

信息處理：有了海量的信息獲取能力和信息存儲(chǔ)能力，我們也必須有對這些信息進(jìn)行整理、加工和分析的能力。谷歌、Facebook等公司在數(shù)據(jù)量逐漸增大的同時(shí)，也相應(yīng)建立了靈活、強(qiáng)大的分布式數(shù)據(jù)處理集群。

從應(yīng)用角度來說，今天的大數(shù)據(jù)越來越多地呈現(xiàn)出以下一種或幾種特性：

大數(shù)據(jù)越來越多地來源于生產(chǎn)或服務(wù)過程的副產(chǎn)品，但在價(jià)值上卻往往超過了為了特定目的專門采集的數(shù)據(jù)。例如，谷歌曾利用全球用戶查詢中，涉及流行性感冒的關(guān)鍵詞的出現(xiàn)頻率變化情況，對2003年到2008年全球季節(jié)性流感的分布和傳播進(jìn)行跟蹤與預(yù)測。這一預(yù)測的覆蓋規(guī)模和價(jià)值甚至超出了各國衛(wèi)生部門專門收集相關(guān)數(shù)據(jù)所做的預(yù)測。

大數(shù)據(jù)往往可以取代傳統(tǒng)意義上的抽樣調(diào)查。例如，按照傳統(tǒng)方式，電視臺(tái)某個(gè)節(jié)目的收視率往往要由專業(yè)調(diào)查公司通過抽樣調(diào)查的方式獲得數(shù)據(jù)后估算出來。現(xiàn)在，有了微博或類似的社交網(wǎng)絡(luò)，我們可以直接利用微博上每時(shí)每刻產(chǎn)生的大數(shù)據(jù)對節(jié)目熱度進(jìn)行分析，其準(zhǔn)確性往往超過傳統(tǒng)的抽樣調(diào)查方式。

許多大數(shù)據(jù)都可以實(shí)時(shí)獲取。例如，每年雙十一，在各類電子商務(wù)平臺(tái)上，每時(shí)每刻都有成千上萬筆交易正在進(jìn)行，所有這些交易數(shù)據(jù)在阿里交易平臺(tái)的內(nèi)部，都可以實(shí)時(shí)匯總，供人們對雙十一當(dāng)天的交易情況進(jìn)行監(jiān)控、管理或分析、匯總。大數(shù)據(jù)的實(shí)時(shí)性為大數(shù)據(jù)的應(yīng)用提供了更多的選擇，為大數(shù)據(jù)更快產(chǎn)生應(yīng)用價(jià)值提供了基礎(chǔ)。

大數(shù)據(jù)往往混合了來自多個(gè)數(shù)據(jù)源的多維度信息。假如能利用用戶ID，將用戶在微博上的社交行為，和用戶在電子商務(wù)平臺(tái)的購買行為關(guān)聯(lián)起來，就可以向微博用戶更準(zhǔn)確地推薦他最喜歡的商品。聚合更多數(shù)據(jù)源，增加數(shù)據(jù)維度，這是提高大數(shù)據(jù)價(jià)值的好辦法。

大數(shù)據(jù)的價(jià)值在于數(shù)據(jù)分析以及分析基礎(chǔ)上的數(shù)據(jù)挖掘和智能決策。大數(shù)據(jù)的擁有者只有基于大數(shù)據(jù)建立有效的模型和工具，才能充分發(fā)揮大數(shù)據(jù)的價(jià)值。例如利用谷歌趨勢對過去5年全球地震分布進(jìn)行分析匯總。根據(jù)用戶查詢地震相關(guān)關(guān)鍵詞的頻率，看出過去5年內(nèi)主要地震的發(fā)生時(shí)間和地點(diǎn)。在這里，谷歌趨勢就是一個(gè)利用已有大數(shù)據(jù)建模、分析、匯總的有效工具。