前者廣義而言是一種理論一個領域， 狹義而論是一種工具一種框架

後者源於big data的直譯，但即使在國外big data說法的本身也是讓學術界詬病的（語出自我的老師 ，哥大外聘IBM watson研究室高階研究員），因為究竟多大才算大？而大資料的特徵又僅僅是大而已嘛？現在我們接受大資料這個說法，僅僅是因為它是最直觀最好理解的。大資料包括了太多內容，放在和神經網路同一個等級來討論的話，廣義上它可以是一種構架一個領域甚至一個行業，狹義上它可以僅僅是一個平臺一個開源套件甚至就是一大堆資料。

這麼看，有什麼關係呢這兩者？在某些特定的應用上或者問題上，它們也許會產生某些交叉吧。比如在twitter爬取文字大資料，再用深度學習框架分析使用者發推代表的金融市場情緒。

神經網路不是大資料，神經網路是一種大資料處理方法。

自從2016年阿爾法狗以4:1大勝人類圍棋冠軍，以神經網路為代表的人工智慧火了。神經網路（現在一般指人工神經網路），它是一種模仿動物神經網路行為特徵，進行分散式並行資訊處理的演算法數學模型。這種網路依靠系統的複雜程度，透過調整內部大量節點之間相互連線的關係，從而達到處理資訊的目的。

大資料和神經網路（以及其他人工智慧）往往被一起談起，兩者具有緊密聯絡。正因為有了眾多有關使用者行為的網路大資料，使得我們能夠利用神經網路等方法對大資料進行分析，從而模擬人的行為，使得電腦也能夠識別圖形、識別聲音、分析問題、尋找出最優解決問題方法等等。大資料的出現和興起，也使得神經網路技術得到發展，為處理大量的搜尋行為資料，谷歌投入大量研究人員最佳化人工神經網路，以提高效率，並最終研發了阿爾法狗，其他公司如阿里巴巴、百度等也投入大量人員研究神經網路等人工智慧技術。

神經網路和大資料，可以分別簡單比作一個人的大腦以及這個人所看所聽的事物。神經網路是一種資料處理方法，這種方法往往依賴於計算機程式；大資料則是眾多的客觀資料和資訊，大資料不依賴於計算機程式，而是儲存在硬碟、雲盤等物理裝置上的客觀存在。

大資料是指大量非結構化資料和半結構化資料，因而難以在傳統的關係資料庫處理。

大資料擁有5V特徵：

Volume 、Velocity、Variety、Variety、Value。

即大量、高速、多樣、多樣、低價值密度

而神經網路是機器學習中的一種演算法。

大資料和演算法是兩個不同的概念。

大資料往往要求採用人工智慧的方法去分析、處理資料，提煉出有價值的資訊。

兩者的關係：

處理大資料有很多種演算法，神經網路只是其中的一種機器學習的演算法。

神經網路作為人工智慧中的一種演算法，在訓練時往往需要大量的資料來進行訓練和學習。

神經網路通常指的是BP神經網路，是一種機器學習的演算法，常用於影象識別和文字分類；大資料是一個概念，反映的是這個時代資料量呈指數級增長的現象；當需要從海量的資料中挖掘有用的知識時，可以採用卷積神經網路（CNN）等深度學習演算法，其中CNN是一種比普通BP神經網路更加複雜的神經網路。杭州華信智原為您整理，杭州華信智原一家專門從事大資料培訓的公司！

神經網路不是大資料，神經網路只是處理大資料的一種建模方法。隨著深度學習的興起，將神經網路再次復興。深度學習是把原先的淺層神經網路變成多層神經網路，隨著神經網路層數的加深，模型引數劇烈增長，對於具有千萬級別或者上億級別引數的神經網模型的訓練，需要有大資料的支援，這樣才能保證模型的泛化能力，訓練的資料越多，模型泛化能力越強，反之越弱。處理大資料的方式有很多種，傳統的機器學習方式如：隨機森林、決策樹、支撐向量機、BP神經網路等。