大数据的应用应该在：有限资源的情况下，快速开展
非独立同分布 大数据
数据总是依赖的，分布发生变化=》适应大数据发展趋势
算法，思维
| —–
|–Non-IID 进展
|–概念
|–数据表达
|–离散
|–K-Means
|–图形特征体现
|–统计学，特征选择，异常检测，推荐系统【理解予以，关联】
|—-独立同分布。 假设条件简单，存在问题
A. 学习问题：
K-Means 数据可能是不独立的，只能做简单应用，Decision Tree 是不可用的
K-Means 要求数据如 K1，Ki,Kn是同分布，且独立的
现实解决问题面对，=》非独立同分布=》
|–异构型 Heterogeneity【属性，源，结果】 //非特征分布
|–Coupling relationship // 非独立
实现原理：
一、如数据是多行，或多维的；
先基于一维，一行数据做 inter/intra 比较
然后与其他维数据的关系，维度/行之间的关系
最后叠加处理。
二、特征选择，异常，无监督的情况
|–Inter Feature | | Application
| |–Feature Weight
Data Object| [outlier factor] |–Model For |
| |–outlier object detection
|–Intra Feature | |
模型训练或学习
先考虑一个值本身的一场，度量【mode/base】
Mode 相对于Base 的偏差
再考虑，两个或两个值：
在已有值得情况下考虑影响
mode A -》 mode B 迁移
使用BRWs 算法处理Data weight 表达和计算
B. 以上是基于数据的统计，数学
还有基于类型的，如Value class
Value graph
对立流数据或不断更新的数据 Stream Data |–对历史数据的依赖
|–数据的增量，更新的时间窗口
C. 推荐系统
特征数据选择决策
问题: 统计学与数据科学的区同
多维数据，应用数据处理的AI 工具/平台