大資料（英語：Big data），又稱為巨量資料，指的是在傳統資料處理應用軟體不足以處理的大或複雜的資料集的術語。

大資料也可以定義為來自各種來源的大量非結構化或結構化資料。從學術角度而言，大資料的出現促成廣泛主題的新穎研究。這也導致各種大資料統計方法的發展。大資料並沒有統計學的抽樣方法；它只是觀察和追蹤發生的事情。因此，大資料通常包含的資料大小超出傳統軟體在可接受的時間內處理的能力。由於近期的技術進步，釋出新資料的便捷性以及全球大多數政府對高透明度的要求，大資料分析在現代研究中越來越突出。

應用:

大資料的應用示例包括大科學、RFID、感測裝置網路、天文學、大氣學、交通運輸、基因組學、生物學、大社會資料分析、網際網路檔案處理、製作網際網路搜尋引擎索引、通訊記錄明細、軍事偵查、金融大資料，醫療大資料，社交網路、通勤時間預測、醫療記錄、照片影象和影像封存、大規模的電子商務等。

1.大型強子對撞機中有1億5000萬個感測器，每秒傳送4000萬次的資料。實驗中每秒產生將近6億次的對撞，在過濾去除99.999%的撞擊資料後，得到約100次的有用撞擊資料。

將撞擊結果資料過濾處理後僅記錄0.001%的有用資料，全部四個對撞機的資料量複製前每年產生25拍位元組（PB），複製後為200拍位元組。

如果將所有實驗中的資料在不過濾的情況下全部記錄，資料量將會變得過度龐大且極難處理。每年資料量在複製前將會達到1.5億拍位元組，等於每天有近500艾位元組（EB）的資料量。這個數字代表每天實驗將產生相當於500垓（5×1020）位元組的資料，是全世界所有資料來源總和的200倍

2.大資料產生的背景離不開Facebook等社交網路的興起，人們每天透過這種自媒體傳播資訊或者溝通交流，由此產生的資訊被網路記錄下來，社會學家可以在這些資料的基礎上分析人類的行為模式、交往方式等。美國的涂爾幹計劃就是依據個人在社交網路上的資料分析其自殺傾向，該計劃從美軍退役士兵中揀選受試者，透過Facebook的行動app收集資料，並將使用者的活動資料傳送到一個醫療資料庫。收集完成的資料會接受人工智慧系統分析，接著利用預測程式來即時監視受測者是否出現一般認為具傷害性的行為。

3.運用資料探勘技術，分析網路聲量，以瞭解客戶行為、市場需求，做營銷策略參考與商業決策支援，或是應用於品牌管理，經營網路口碑、掌握負面事件等。如電信運營商透過品牌的網路討論資料，即時找出負面事件進行處理，減低負面討論在網路擴散後所可能引發的形象危害。又如具有大量商店交易資料的第三方服務業者(Third-party Service Providers, TSP)可以整合手中交易資料、公開的顧客評論資料(例如:Google Map評論)、法院的店家訴訟資料等，評估與預測店家運營情形，進一步進行商業顧問服務。

大資料其實就是資料，之所以前面加個大，自然是因為資料非常龐大。

大資料時代指的是資訊的集中儲存，集中分析，集中處理的一個時代，我們每一個人都是一個構成部分，一個人的電話，住址，性別，興趣，需求等，和幾千人的彙集在一起就是大的資料，如何儲存，分析和處理，關係到一個企業的生死存亡。

學習大資料的話，上班族適合線上學習，工作和學習倆不耽誤，推薦一家線上教育品牌-百戰程式設計師，隸屬北京尚學堂，15年老牌子了，之前我一同事就在他家學習線上大資料課程，現在工作愈發順手了，薪資待遇也漲了，學習就是投資，這話一點都不假。建議去試聽一下課程，再進階一下技術層面。

大資料其實並不神秘，本質就是隨著計算機軟體和硬體的不斷髮展，各種資料大量而且迅速的彙總起來，構成了所謂的大資料，人們希望透過各種技術手段對這些資訊加以分析利用從而獲得收益。

大資料是需要新處理模式才能具有更強的決策力、洞察發現力和流程最佳化能力來適應海量、高增長率和多樣化的資訊資產。大資料是一種規模大到在獲取、儲存、管理、分析方面大大超出了傳統資料庫軟體工具能力範圍的資料集合，具有海量的資料規模、快速的資料流轉、多樣的資料型別和價值密度低四大特徵。大資料技術的戰略意義不在於掌握龐大的資料資訊，而在於對這些含有意義的資料進行專業化處理。換而言之，如果把大資料比作一種產業，那麼這種產業實現盈利的關鍵，在於提高對資料的“加工能力”，透過“加工”實現資料的“增值”。從技術上看，大資料與雲計算的關係就像一枚硬幣的正反面一樣密不可分。大資料必然無法用單臺的計算機進行處理，必須採用分散式架構。它的特色在於對海量資料進行分散式資料探勘。但它必須依託雲計算的分散式處理、分散式資料庫和雲端儲存、虛擬化技術。

大資料顧名思義就是海量的資料堆在一起，就現成了大資料，大資料分實時時間和歷史資料，大資料又分it資料，ot資料，影片時間，影象資料，時空資料等多型別資料，大資料的目的就是實現更智慧，更智慧。大資料不去挖掘分析就是一堆無用的資料，所以就必須各種行業應用專家去建模，去分析挖掘。因此在大資料面前，行業專家最吃香，碼農一抓一大把，模型專家有幾個。對於企業大資料分析挖掘可以為企業提高效率，提高品質，降低成本等等若干優點，越是規模大的企業，大資料探勘價值越大，給你舉2個例子，一個就是九江某石化公司，沒有進行大資料探勘最佳化前年年虧損，挖掘最佳化後，他的效率提高了，他的品質提供了，現在每年盈利20多個億，在石化行業，產品分多個品質，提高几個百分點就是另外一個品質，價格差異很大，這些企業產量相當驚人，上升1個百分點都很厲害。再舉個例子，滴滴最佳化分配問題，因為他們一段時間內產生資料量太大，沒有最佳化前，為了解決實時性問題，用了幾百萬硬體堆疊，用硬體解決效能問題，最佳化後，一臺筆記本解決，所以學好數學還是很關鍵的。