大資料的應用應該在：有限資源的情況下，快速開展
非獨立同分布 大資料
資料總是依賴的，分布發生變化=》适應大資料發展趨勢
算法，思維
| —–
|–Non-IID 進展
|–概念
|–資料表達
|–離散
|–K-Means
|–圖形特征展現
|–統計學，特征選擇，異常檢測，推薦系統【了解予以，關聯】
|—-獨立同分布。 假設條件簡單，存在問題
A. 學習問題：
K-Means 資料可能是不獨立的，隻能做簡單應用，Decision Tree 是不可用的
K-Means 要求資料如 K1，Ki,Kn是同分布，且獨立的
現實解決問題面對，=》非獨立同分布=》
|–異構型 Heterogeneity【屬性，源，結果】 //非特征分布
|–Coupling relationship // 非獨立
實作原理：
一、如資料是多行，或多元的；
先基于一維，一行資料做 inter/intra 比較
然後與其他維資料的關系，次元/行之間的關系
最後疊加處理。
二、特征選擇，異常，無監督的情況
|–Inter Feature | | Application
| |–Feature Weight
Data Object| [outlier factor] |–Model For |
| |–outlier object detection
|–Intra Feature | |
模型訓練或學習
先考慮一個值本身的一場，度量【mode/base】
Mode 相對于Base 的偏差
再考慮，兩個或兩個值：
在已有值得情況下考慮影響
mode A -》 mode B 遷移
使用BRWs 算法處理Data weight 表達和計算
B. 以上是基于資料的統計，數學
還有基于類型的，如Value class
Value graph
對立流資料或不斷更新的資料 Stream Data |–對曆史資料的依賴
|–資料的增量，更新的時間視窗
C. 推薦系統
特征資料選擇決策
問題: 統計學與資料科學的區同
多元資料，應用資料處理的AI 工具/平台