这一章节，利用马修莫里导航图的例子引出了大数据的实践方式，奇人莫里通过整理航海相关的边角数据，把整个大西洋按照经纬度划分了出来，并标注出了温度、风速和风向，从而发现了洋流，也为船员提供了有效的航海路线，这就是数据的价值体现了。
对于数据最终的走向，我同意书中所提到的政府管理的观点，既然都是以“石油”的标准来看待数据，政府统一管理也就是必然的了。而且对于政府来说，掌握更多数据也有利于其管理及维护社会的稳定性。而对于社会道德方面的论述，我不想多说什么，时代发展是不会被道德绑架的。
过去，人力资源管理没有太多数据的支撑，决策常常依靠直觉、经验和个人偏好。大数据时代的来临，让人力资本用数量的方式来进行投资分析和管理成为可能。但未来的挑战不是数据缺乏，而是如何有效地选取和利用数据，而不会在数据的海洋中迷失了方向。
xxx老师说：在你我感叹《大数据》里深植于美国民众血液中的自由、民主、严谨的价值观的同时，可否想过中国教育体制下的孩子们身上还残留多少独立与自我意识？作为典型的八零后，我们这一代人身上最缺失的便是独立思考能力。
董译雯老师说：在你我感叹《大数据》里深植于美国民众血液中的自由、民主、严谨的价值观的同时，可否想过中国教育体制下的孩子们身上还残留多少独立与自我意识？作为典型的八零后，我们这一代人身上最缺失的便是独立思考能力。
1、数据预处理的方法：数据清理、数据清理例程通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到如下目标：格式标准化，异常数据清除，错误纠正，重复数据的清除。
2、数据预处理就是对采集到的原始数据进行清洗、填补、平滑、合并、规格化以及检查一致性等。这个处理过程可以帮助我们将那些杂乱无章的数据转化为相对单一且便于处理的构型，以达到快速分析处理的目的。通常数据预处理包含三个部分：数据清理、数据集成、变换以及数据规约。
3、- 数据预处理：收集到的数据需要经过清洗、转换和集成的预处理步骤。数据清洗旨在去除重复、无效或错误的数据，确保数据的准确性和可靠性。数据转换则涉及将数据转换成适于分析和处理的形式。
大数据处理技术中两个关键性的技术是采集技术和预处理技术。采集技术。信息采集技术是信息处理技术的起始点，通过信息采集技术可以有效地收集信息并将其存储于数据库中。除了拥有着目标数据获取、目标数据筛选、目标数据传输等重要作用。其还能够在智能化技术设备同时使用的情况下实现对目标数据库的实时监控。
开发大数据安全技术：改进数据销毁、透明加解密、分布式访问控制、数据审计等技术；突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。
大数据已经逐渐普及，大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。数据采集如何从大数据中采集出有用的信息已经是大数据发展的关键因素之一。
大数据的四种主要计算模式包括：批处理模式、流处理模式、交互式处理模式、图处理模式。批处理模式（Batch Processing）：将大量数据分成若干小批次进行处理，通常是非实时的、离线的方式进行计算，用途包括离线数据分析、离线数据挖掘等。
大数据处理相关技术如下 整体技术 整体技术主要有数据采集、数据存取、基础架构、数据处理、统计分析、数据挖掘、模型预测和结果呈现等。
1、环境 从大环境来说，我们从以前的互联网时代发展到了现在的大数据时代，是时代发展的必经之路。互联网的技术进步，必然会促成新的技术产生，再到成熟，而大数据就是这个新兴技术。
2、开放数据需要像开源软件一样认真对待 众所周知，开源软件背后是大数据和机器学习产品和服务的兴起。开放源码的商业和技术案例的重要性多年前就得到了证实。然而，人们对开放数据对创新的重要性的关注却少之又少。
3、存储适用 数据仓储的一个核心要求是处理和存储大数据集的能力。但并不是所有数据仓库在这方面都满足要求。一些是针对复杂查询处理进行优化，而其他的则并非如此。并且在许多大数据应用程序中，相较于事务系统，由于添加了非结构化数据还有数据的创建和收集增速迅猛，用Hadoop和NoSQL技术增强数据仓库就成为必要。
4、统计性能。影响模型成功的另一个重要关键因素是模型性能表现。换句话说，从统计意义的角度，分析模型应该显着提高预测或描述的性能。根据分析问题的类型不同，常常采用不同类型的性能评价指标。
5、技术与业务的鸿沟 大数据行业发展至今，技术与业务之间依然存在巨大着鸿沟。首先，就是数据分析技术本身。数据源企业为实现数据价值变现，尝试多种方法，甚至自己组建数据分析团队，可是数据分析是个技术活，1%的误差都会极大地影响市场份额，术业有专攻，数据变现还是需要专业的数据分析人才来实现。
6、大数据产业包括一切与大数据的产生与集聚（数据源）、组织与管理（存储）、分析与发现（技术）、交易、应用与衍生产业相关的所有活动。
1、数据变换 通过变换使用规范化、数据离散化和概念分层等方法，使得数据的挖掘可以在多个抽象层面上进行。数据变换操作是提升数据挖掘效果的附加预处理过程。
2、数据预处理的方法：数据清理、数据清理例程通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到如下目标：格式标准化，异常数据清除，错误纠正，重复数据的清除。
3、数据清洗 —— 去噪声和无关数据 （2）数据集成 —— 将多个数据源中的数据结合起来存放在一个一致的数据存储中 （3）数据变换 —— 把原始数据转换成为适合数据挖掘的形式 （4）数据规约 —— 主要方法包括：数据立方体聚集，维度归约，数据压缩，数值归约，离散化和概念分层等。
4、数据预处理的方法有：数据清理、 数据集成 、数据规约和数据变换。数据清洗 数据清洗是通过填补缺失值，平滑或删除离群点，纠正数据的不一致来达到清洗的目的。简单来说，就是把数据里面哪些缺胳膊腿的数据、有问题的数据给处理掉。
传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。
离线处理 离线处理方式已经相当成熟，它适用于量庞大且较长时间保存的数据。在离线处理过程中，大量数据可以进行批量运算，使得我们的查询能够快速响应得到结果。商业中比较常见的，就是使用HDFS技术对数据进行储存，然后使用MapReduce对数据进行批量化理，然后将处理好的数据进行存储或者展示。
采：ETL采集、去重、脱敏、转换、关联、去除异常值 前后端将采集到的数据给到数据部门，数据部门通过ETL工具将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程，目的是将散落和零乱的数据集中存储起来。