为了使自己的思想得到升华，我们可以将心得体会写好，通过心得体会，我们能够明确自己的人生使命，为实现自己的理想而不断努力，以下是心得范文网小编精心为您推荐的大数据心得模板8篇，供大家参考。

大数据心得篇1

本次课程设计所用到的知识完全是上学期的知识，通过这次课程设计，我认识到了我对数据结构这门课的掌握程度。

首先我这个课程设计是关于二叉树的，由于是刚接触二叉树，所以我掌握的长度并不深。在编程之前我把有关于二叉树的知识有温习了一遍，还好并没有忘掉。二叉树这章节难度中上等，而且内容广泛，所以我只掌握了百分之六七十。

然后，在编程中我认识到了自己动手能力的不足，虽然相比较大二而言进步很大，但是我还是不满意，有的在编程中必须看书才能写出来，有的靠百度，很少是自己写的。还好，我自己组装程序的能力还行，要不这东拼西凑的程序根本组装不了。在编程中我还认识到了，编程不能停下，如果编程的时间少了，知识忘的会很快，而且动手也会很慢。同时，同学之间的合作也很重要，每个人掌握的知识都不一样，而且掌握程度也不一样，你不会的别的同学会，所以在大家的共同努力下，编程会变得很容易。在这次编程中，我了解到了自己某些方面的不足，比如说链表的知识，虽然我能做一些有关于链表的编程，但是很慢，没有别人编程的快，另外，二叉树和图的知识最不好掌握，这方面的知识广泛而复杂。以前，没动手编程的时候觉得这些知识很容易，现在编程了才发现自己错了，大错特错了，我们这个专业最重视的就是动手编程能力，如果我们纸上写作能力很强而动手编程能力很差，那我们就白上这个专业了。计算机这个专业就是锻炼动手编程能力的，一个人的理论知识再好，没有动手编程能力，那他只是一个计算机专业的“入门者”。在编程中我们能找到满足，如果我们自己编程了一个程序，我们会感到自豪，而且充实，因为如果我们专研一个难得程序，我们会达到忘我的境界，自己完全沉浸在编程的那种乐趣之中，完全会废寝忘食。编程虽然会乏味很无聊，但是只要我们沉浸其中，你就会发现里面的乐趣，遇到难得，你会勇往直前，不写出来永不罢休；遇到容易的，你会找到乐趣。编程是很乏味，但是那是因为你没找到编程重的乐趣，你只看到了他的不好，而没有看到他的好。其实，只要你找到编程中得乐趣，你就会完全喜欢上他，不编程还好，一编程你就会变成一个两耳不闻窗外事的“植物人”。可以说只要你涉及到了计算机，你就的会编程，而且还要喜欢上他，永远和他打交道，我相信在某一天，我们一定会把他当作我们不可或缺的好朋友。

最后我要谈的是长时间编程的好处，俗话说“熟能生巧”，确实是这样。如果我们长时间不编程，在一接触他，我们会感到很陌生。有规律的.编程会提高我们的动手能力，我们的思维，也会让我们变得很细心。在一个几千行的程序中，我们都能找到错误，那我们还会怕其他的错误吗？可以说编程是我们在我们这一行业的一把利剑，如果我们能很好的利用它，我们就会成为这个行业的真正成功者。也许你会说就算变成好了也不一定成功，是的，但是你不会编程就一定不会成功。如果，我们想成为这个专业的成功者，我们就得爱上编程，不管他是怎么得乏味，怎么得无聊，我们都不能丢掉他。

总之，动手编程就是锻炼我们的动手能力，当然这个动手能力并不是科研上的动手能力，而是我们的动手编程能力，记住，只要你真正的喜欢上他，你就会发现其中的乐趣，我相信，只要你坚持下去，你一定会喜欢上他，把编程当作自己日常生活中一件必须做的事情。

大数据心得篇2

数据结构是计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。通常情况下，精心选择的数据结构可以带来更高的运行或者存储效率。数据结构往往同高效的检索算法和索引技术有关。

一般认为，一个数据结构是由数据元素依据某种逻辑联系组织起来的。对数据元素间逻辑关系的描述称为数据的逻辑结构;数据必须在计算机中存储，数据的存储结构是数据结构的实现形式，是其在计算机内的表示;此外讨论一个数据结构必须同时讨论在该类数据结构上执行的运算才有意义。一个逻辑数据结构可以有多种存储结构，且各种存储结构影响数据处理的效率。

在许多类型的程序的设计中，数据结构的选择是一个基本的设计考虑因素。许多大型系统的构造经验表明，系统实现的困难程度和系统构造的质量都严重的依赖于是否选择了最优的数据结构。许多时候，确定了数据结构后，算法就容易得到了。有些时候事情也会反过来，我们根据特定的算法来选择数据结构与之适应。不论哪种情况，选择合适的数据结构都是非常重要的。

从上面我们了解到了数据结构的重要性，它是一个程序的关键因素。拿到“阴风习习的大楼”这个题目时，一开始不知道从哪入手，以为可以把每个位置看成一个图的一个节点，从而可以用邻接表这种结构，通过遍历邻接表，每次选择权值小的路径走就可以得到最短的路径了。我错了，完全的错了。通过认真的分析后，我认识到，这能简单的看成一个图，因为每个位置都只能到达它邻接的位置而不是和其他各位置都有联系。而且如果每个位置转化为图的一个节点，这样要表示每个节点的关系就需要n*n节点和n^4大小的数组来存储各个点的关系。还有这个大楼结构想转化为一个图也是不容易的。根据书上有些类似的“老鼠迷宫问题”，让我想打，不如就用n*n大小的数组直接存储大楼结构。通过类似走迷宫的方法来遍历，当遍历完所有路径后就能得到一个最小的路径。那接下来怎样遍历呢?我采用了深度优先遍历的方法，这样可以用递归的方法，简化代码。虽然理解上有一定困难，而且递归条件的控制要注意。

通过这次数据结构程序设计，不仅让我对c语言的一些知识得到了回顾，加深了对c语言的掌握。同时也让我对数据结构知识得到了一定的掌握。知道了怎么去分析一个题目，怎样选择比较好的数据结构。让我从怎么样实现一个程序功能，转变到怎么用更少的空间，更短的时间完成程序设计。空间和时间上对程序的优化是评价一个程序好坏的关键标准。

通过这次数据结构的程序设计也让我懂得了怎么样去设计一个程序。从问题分析中找出程序所要解决的关键问题和数据结构的选择;在概要设计中完成程序的大体轮廓;在详细设计中解决关键问题的算法和设计;在调试分析中完成程序最终的修补。这样一个比较好的程序就设计出来了。

大数据心得篇3

如今说起新媒体和互联网，必提大数据，似乎不这样说就out了。而且人云亦云的居多，不少谈论者甚至还没有认真读过这方面的经典著作——舍恩佰格的《大数据时代》。维克托·迈尔——舍恩伯格何许人也?他现任牛津大学网络学院互联网研究所治理与监管专业教授，曾任哈佛大学肯尼迪学院信息监管科研项目负责人。他的咨询客户包括微软、惠普和ibm等全球顶级企业，他是欧盟互联网官方政策背后真正的制定者和参与者，他还先后担任多国政府高层的智囊。这位被誉为：大数据时代的预言家“的牛津教授真牛!那么，这位大师说的都是金科玉律吗?并不一定，读大师的作品一定要做些功课才好读懂，如果能做足功课又具备相应的理论功底，就能与之进行一场思想上的对话。

一读

舍恩伯格分三部分来讨论大数据，即思维变革、商业变革和管理变革。在第一部分“大数据时代的思维变革”中，舍恩伯格旗帜鲜明的亮出他的三个观点：一、更多：不是随机样本，而是全体数据;二、更杂：不是精确性，而是混杂性;三、更好：不是因果关系，而是相关关系。对于第一个观点，我不敢苟同。一方面是对全体数据进行处理，在技术和设备上有相当高的难度。另一方面是不是都有此必要，对于简单事实进行判断的数据分析难道也要采集全体数据吗?我曾与香港城市大学的祝建华教授讨论过。祝教授是传播学研究方法和数据分析的专家，他认为一定可以找到一种数理统计方法来进行分析，并不一定需要全部数据。联系到舍恩伯格第二个观点中所说的相关关系，我理解他说的全体数据不是指数量而是指范围，即大数据的随机样本不限于目标数据，还包括目标以外的所有数据。我认为大数据分析不能排除随机抽样，只是抽样的方法和范围要加以拓展。

我同意舍恩伯格的第二观点，我认为这是对他第一个观点很好的补充，这也是对精准传播和精准营销的一种反思。“大数据的简单算法比小数据的复杂算法更有效。”更具有宏观视野和东方哲学思维。对于舍恩伯格的第三个观点，我也不能完全赞同。“不是因果关系，而是相关关系。”不需要知道“为什么”，只需要知道“是什么”。传播即数据，数据即关系。在小数据时代人们只关心因果关系，对相关关系认识不足，大数据时代相关关系举足轻重，如何强调都不为过，但不应该完全排斥它。大数据从何而来?为何而用?如果我们完全忽略因果关系，不知道大数据产生的前因后果，也就消解了大数据的人文价值。如今不少学者为了阐述和传播其观点往往语出惊人，对旧有观念进行彻底的否定。

世间万物的复杂性多样化并非非此即彼那么简单，舍恩伯格也是这种二元对立的幼稚思维吗?其实不然，读者在阅读时一定要看清楚他是在什么语境下说的，不要因囫囵吞枣的浅读而陷入断章取义的误读。比如说舍恩伯格在提出“不是因果关系，而是相关关系。”这一论断时，他在书中还说道：“在大多数情况下，一旦我们完成了对大数据的相关关系分析，而又不再满足于仅仅知道‘是什么’时，我们就会继续向更深层次研究的因果关系，找出背后的‘为什么’。”[i]由此可见，他说的全体数据和相关关系都在特定语境下的，是在数据挖掘中的选项。

大数据研究的一大驱动力就是商用，舍恩伯格在第二部分里讨论了大数据时代的商业变革。舍恩伯格认为数据化就是一切皆可“量化”，大数据的定量分析有力地回答“是什么”这一问题，但仍然无法完全回答“为什么”。因此，我认为并不能排除定性分析和质化研究。数据创新可以创造价值，这是毫无疑问的。舍恩伯格在讨论大数据的角色定位时仍把它置于数据应用的商业系统中，而没有把它置于整个社会系统里，但他在第二部分大数据时代的管理变革中讨论了这个问题。在风险社会中信息安全问题日趋凸显，数据独裁与隐私保护成为一对矛盾。如何摆脱大数据的困境?舍恩伯格在最后一节“掌控”中试图回答，但基本上属于老生常谈。我想，或许凯文·凯利的《失控》可以帮助我们解答这个问题?至少可以提供更多的思考维度。正如舍恩伯格在结语中所道：“大数据并不是一个充斥着算法和机器的冰冷世界，人类的作用依然无法被完全替代。大数据为我们提供的不是最终答案，只是参考答案，帮助是暂时的，而更好的方法和答案还在不久的未来。”谢谢舍恩伯格!让大数据讨论从自然科学回到人文社科。由此推断，《大数据时代》不是最终答案，也不是标准答案，只是参考答案。

此外，在阅读此书之前还必须具备一些数据科学的基本知识和基本概念，比如说什么叫数据?什么叫大数据?数据分析与数据挖掘的区别，数字化与数据化有什么不同?读前做些功课读起来就比较好懂了。

再读

概念是研究的逻辑起点，“大数据”到底是什么?在百度上搜索到的解释是，“大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。”大数据的4v特点：数量(volume)、速度(velocity)、品种(variety)和真实性(veracity)。但舍恩伯格认为大数据并非一个确切的概念。他在书中的一段诠释更具人文色彩和社会意义：“大数据是人们获得新的认知、创造新的价值的源泉;大数据还是改变市场、组织机构，以及政府与公民关系的方法。”[ii]其实，概念的界定要看研究者从哪个角度来研究它而定。

科学家的治学态度是严谨的，而人文学家更具有想象力。一些对大数据不甚了然的人往往夸大了它的作用，甚至把它神化。舍恩伯格认为大数据的核心是预测。“大数据不是要教机器像人一样思考。相反，把数学算法运用到海量的数据上来预期事情发生的可能性。”[iii]舍恩伯格甚至不回避大数据所产生的负面影响，他在第七章里谈到让数据主宰一切的隐忧。我觉得这是实事求是的科学态度。在量子力学里有一个测不准原理：一个微观粒子的某些物理量(如位置和动量，或方位角与动量矩，还有时间和能量等)，不可能同时具有确定的数值，其中一个量越确定，另一个量的不确定程度就越大。它是解释微观世界的物理现象，信息社会中的大数据会不会也有类似情况呢?如果我们再把凯文·凯利的《失控》对比来读的话就更有意思了，这样我们对整个物质世界及至人类社会就有了更全面更深刻的洞察，从物理王国到生物世界，再到信息社会。从公共卫生到商业应用，从个人隐私到政府管理，大数据无处不在。与此同时，从哪个角度探讨用什么方法研究，舍恩伯格都不会忘记大数据服务人类造福人类的终极目的和价值所在。“大数据并不是一个充斥着运算法则和机器的冰冷世界，其中仍需要人类扮演重要角色。人类独有的弱点、错觉、错误都是十分必要的，因为这些特性的另一头牵着的是人类的创造力、直觉和天赋。偶尔也会带来屈辱或固执的同样混乱的大脑运作，也能带来成功，或在偶然间促成我们的伟大。这提示我们应该乐于接受类似的不准确，因为不准确正是我们之所以为人的特征之一。”[iv]用中国话来说就是“人无完人”，人类在收获大数据带来的红利的同时也要承受它带来的危害。这不是对立统一的辩证唯物主义?我把它看作带着欧洲批判学派色彩的_。

问题是研究的价值基点，“大数据”不是舍恩伯格研究的问题，而是研究对象，他研究的是数据处理和信息管理问题，同时也讨论信息安全和网络伦理问题，还引发哲学上的思考，哲学史上争论不休的世界可知论和不可知论转变为实证科学中的具体问题。可知性是绝对的，不可知性是相对的。“大数据”之所以为大是因它引发人类生活、工作和思维的大变革，从这个意义上来看，《大数据时代》的意义不仅在于它讨论了若干重大问题，而且对研究者开出了一个问题清单，从而引发更多人来探讨这些有趣的问题。

?大数据时代》实际上主要是一本讨论数据挖掘的书，数据挖掘与数据分析是不同的概念，数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。而数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。数据挖掘主要运用计算机来进行处理，而数据分析既要用计算机也要人工分析，是计算机科学与人文价值判断的统一结合。换言之，《大数据时代》并不是一本讨论大数据所有问题的书。

?大数据时代》也是一本讨论互联网发展的书，从数字化到数据化，同时有浓厚的未来学色彩。当文字变成数据，我们进入了互联网;当方位变成数据，我们进入了物联网;当沟通变成数据，我们进入了下一代互联网。一切可量化，万物皆数据，正是当今互联网世界的真实写照。面对于这样的世界及世界的未来，在《大数据时代》出现最多的词是“思维”和“方法”，因此也可以把这本书视为思维科学应用研究的书。

此外，在阅读此书之前还必须具备一些数据科学的基本知识和基本概念，比如说什么叫数据?什么叫大数据?数据分析与数据挖掘的区别，数字化与数据化有什么不同?读前做些功课读起来就比较好懂了。

三读

今年国庆节前一天，中共中央政治局们来到中关村搞集体学习，调研、讲解、讨论创新驱动发展战略。包括、在内的七位全部出动来到中关村，这是历史上没有过的，百度、联想和小米的负责人，有了一次直面最高层汇报工作的机会。雷军和柳传志，讲解的都是本公司的各种情况，李彦宏则没有讲百度的广告业务发展得如何好，而是讲起了大数据。在讲解中，李彦宏认为大数据有两个重要价值，一是促进信息消费，加快经济转型升级;二是关注社会民生，带动社会管理创新。这些价值也是目前党和国家领导人最为重视的，可见《大数据时代》既有理论价值也有现实意义。

当今大数据正在影响着新闻传媒业，大数据新闻、大数据营销、舆情分析、受众(用户)研究……数据分析师变身新闻编辑，大数据正改变新闻生产流程、大数据在创造传媒新业态。“不妨想象一下，随着数据的进一步增加，坐拥用户资源的新媒体们完全有能力通过数据挖掘，分析用户癖好，向电视台定制一部电视剧甚至向好莱坞定制一部电影。到那个时候，电视台一如那些家电厂商们，曾经产业链的上游‘王者’，将彻底成为一个产业链最低端的内容代工厂。”[v]然而，情形也远没有人们想象的那么乐观，李彦宏指出目前多数所谓的大数据公司其实还是空壳子，因为数据还没有完全开放。他认为必须在政府层面上推动才能真正实现大数据的开发与利用。我在讨论大数据时代的舆情监测与预警时说道：“经典自由主义传播学说对媒体的定位：秉持公正、客观立场的媒体被称为代表公众监督政府行为的‘看门狗’。其实，媒体既是公众利益也是国家利益的‘看门狗’。要看好门就要瞭望、洞察社情民意，传统媒体信息反馈渠道单一，视野、人力十分有限。而开放互动的新媒体平台却大有可为。作为公共信息发布平台的微博可以成为政府及时了解社情民意，从而选择正确治理路径的‘导盲犬’。”[vi]遗憾的是目前我国的数据平台还没有完全开放，真正的大数据时代还没有到来。

与国内不少教科书写法的专著相比，国外的书写得更有趣，尤其是大学者写的，不仅视野开阔，而且能够深入浅出。《大数据时代》不到22万字，却有上百个学术和商业的实例，丰富翔实的例子让读者感到通俗易懂，深奥的理论看起来也不费劲。这恐怕与舍恩伯格既是学者也是专家，既有理论又有实践有关。反观我们些学者故弄玄虚而示高明，实际上是把读者拒之门外。我觉得优秀的科学家也应该是一个科普作家，优秀的学者也应该是一个不错的传播者。当然国外学术著作也有一个翻译问题，这本书译得还不错。此外，《大数据时代》还附有不少it界名流的推荐意见，虽是出版商的发行所为，对解读此书也不无益处。

除了《大数据时代》，舍恩伯格还有一本《删除》也值得一读。要研究大数据不能只读一本书，该书译者周涛教授还推荐了三部国内出版的大数据方面的专著：《证析》、《大数据》、《个性化：商业的未来》。相比《大数据时代》的宏大视野，这些书就大数据某一局部问题给出深刻的介绍和洞见。我也推荐读一读中国工程院李国杰院士和中科院计算所副总工程学旗合写的文章《大数据研究：未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考》。

虽说开卷有益，但是由于每个人的时间精力有限，对于一个研究者来说，不读什么书甚至比读什么书更重要。我认为书有三种：有用的书，主要是应用类的专业书;无用的书，主要是形而上的思想类;无字的书，人间百态，社会现实。可偏重但不应偏废。对于学生来讲这三类“书”都该读一些，对于研究者则要读哪些解决关键问题的书，《大数据时代》就是这样一部书。当然，并非第一个读者都是研究大数据的，但进入大数据时代，还有什么东西与数据完全没有关系呢?麦肯锡全球研究机构认为，未来十年里有12项对经济发展产生重大影响的技术，其中包括三项新媒体技术：移动互联网、物联网和云计算。这三项新媒体技术都与大数据密切相关，而这些新媒体新技术的发展都影响着当今的新闻传播业。阅读此书至少给我们研究新闻传播学带来一些启迪。我觉得一本书的价值不在于让你顶礼膜拜，而是引发广泛而深入的讨论。

“凡是过去，皆为序曲。”读完此书，我们对大数据的认识才刚刚开始。

大数据心得篇4

通过这次课程设计使我进一步达到理论与实际相结合，提高了自己组织数据及编写程序的能力，使我们能够根据问题要求和数据对象的特性，学会数据组织的方法，把现实世界中的实际问题在计算机内部表示出来并用软件解决问题，培养良好的程序设计技能，掌握设计程序的思路，学会用计算机语言编写程序，以实现所需处理的任务，锻炼自己的动脑能力，学会用自己的思路解决现实中的实际问题，虽然一开始也走了一些弯路不过在同学和老师的点拨下完成了该程序，这次课程设计中遇到了很多问题，一开始准备用二维数组存放的可考虑到同一个学校同一个项目有好几个人参加，就不能用二维数组了，如果每个学校都申请一个二维数组也非常不方便，还是用顺序表方便也不浪费空间，在这次课程设计的过程中虽然很多次都参照了课本及资料，不过这使我更加熟悉了顺序表以及结构体的定义及实现，调试过程中也遇到了一些问题也都是自己独立思考完成的，还有一个体会是，遇到不会的地方可以参考课本也可以去图书馆或网上查资料，当然主要思路有了也就简单点了。在老师的答辩指指导下，程序数组那块程序的书写老师问我为什么是那样的，当时写这块程序的时候是看书上数组那块程序再加上自己的主观想法觉得就是这样写的，虽然这块程序当时那种主观想法是写对了，但是经过老师的答辩提问才知道虽然是写对了，但是这种思考和想法是错误不科学的，真正的是因为第2次循环是因为第一次释放了一个。所以通过这次课程设计让我懂得了一个很重要的道理，就是以后如果哪地方有一点迷惑，有一点不懂的地方不能凭自己主观的思考和想法觉得应该是这样的，一定要找老师问清楚为什么是这样的，一定要把每步每个小程序都要搞的十分的清楚，这真是个很好的收获。还有就是这个程序的男女问题上，开始准备在结构体中加一个sex的点，大使那样对与男女项目还是有点麻烦，后来在同学的提醒下，通过参赛项目号就可以解决了，比m大就是女子项目，比m小或者等于m就是男子项目。这样就可以很完美地解决这个问题了。

其实，当你实验遇到问题时，自己会通过很多途径去解决它，没有解决时，心急如焚，解决之后的那种快感是前所未有的，这也许就是付出了行动之后的收获吧！

这也教会了我们以后在社会上，遇见了事情不可怕，只要不被困难击倒，解决了它，那样我们就是胜利的！

大数据心得篇5

?大数据时代》是英国维克托·迈尔—舍恩伯格教授的著作，这本书也被尊为国外大数据研究的先河之作。这本书最大的优点就在于作者利用上百个例子来对大数据的方方面面做了详细解说，让外行也很容易理解。结构上，作者通过大数据时代的思维变革、商业变革和管理变革三个角度依次阐述，条理清晰。

所谓大数据，按作者的说法，就是所有数据。随着计算机运算速度和存储能力的发展，收集数据变得越来越简单，储存数据的成本越来越低。在过去，由于技术限制，人们做统计时只能收集有限的数据做样本，其中要考虑随机样本的选择，努力减小因样本问题出现的误差；统计结果往往不能重复使用，造成数据利用率低。而现在则可以做到样本=总体。数据的增多带来不可避免的精确性问题。小数据时代，一个样本的错误就可以造成对总体估计的失败，幸运的是，大数据时代对精确性不再那么要求苛刻——也无法要求太严格——数据的数量足以弥补这一缺陷。在对思维变革这一部分的阐述中，最重要也是全书的核心观点就是大数据时代，我们应该从追求因果关系的旧思维方式向追求相关关系转变。

在我看来，这实际上是通过大数据来透视一种事物的发展趋势，而很多精确学科领域依然需要探寻因果关系解决更有针对性的问题，所以，这局限了这一转变只能在特定的领域发生。作者自己也说，大数据的相关性将人们指向了比探讨因果关系更有前景的领域。

大数据时代的数据获取方式是多种多样，数据形式也是千变万化，任何文字、行为、万物都可以被数据化后用来分析。对这些数据的利用，不仅要考虑到其初次使用价值，更要放眼它未来可能的用途以提高数据的利用率。当然数据并不是无限使用，时效、环境的变化肯定会对数据提出新的要求，所以数据的折旧也是应当考虑的。这又引出了对数据这一无形资产的估值可能性。对于这样的公司来说，数据就是他们的核心，如何在资产负债表上给他们一个公正的体现正是我们需要考虑的。

大数据时代的价值链由三部分构成，我把它们简化为生产—分析—使用三个环节，这对应书中的三种类型公司：第一种是基于数据本身的公司，第二种是基于技能，第三种则是基于思维。在大数据早期，技能和思维最有价值，但作者认为，最终，大部分的价值还是必须从数据本身来挖掘。这是假定了一个成熟的市场，人人都了解了大数据的用途。

对于普通人来说，大数据时代最关心的`还是隐私问题。不知不觉中，个人的一举一动都暴露在政府甚至私人企业之下，还面临潜在的泄露风险。对此，作者提出了使用者承担责任的解决办法，而不是过去那种流于形式的使用授权。大数据甚至能预测一个人的犯罪动机，这给监管者带来的难题是，预测一个人要犯罪，惩罚还是不惩罚？在这点上，社会达成个人仅需对行为而非动机负责的共识非常重要。

大数据时代的风险控制靠的是算法师，类似会计师一样的职业，对大数据的准确度或有效性进行鉴定。这能在一定程度上防止数据滥用的发生和数据独裁。当今的法律亦需对大数据监管进行修订补充。

当代大数据发展主要由科技公司推动，相信在不久的将来更多的传统领域会意识到大数据的重要性。但我们也应该保持清醒，大数据并不是万能药，对某些领域或环节，使用大数据是一种简单且实用的选择；但对某些领域，盲目使用大数据只会适得其反。

大数据心得篇6

两个星期的时间非常快就过去了，这两个星期不敢说自己有多大的进步，获得了多少知识，但起码是了解了项目开发的部分过程。虽说上过数据库上过管理信息系统等相关的课程，但是没有亲身经历过相关的设计工作细节。这次实习证实提供了一个很好的机会。

通过这次课程设计发现这其中需要的很多知识我们没有接触过，去图书馆查资料的时候发现我们前边所学到的仅仅是皮毛，还有很多需要我们掌握的东西我们根本不知道。同时也发现有很多已经学过的东西我们没有理解到位，不能灵活运用于实际，不能很好的用来解决问题，这就需要我们不断的大量的实践，通过不断的自学，不断地发现问题，思考问题，进而解决问题。在这个过程中我们将深刻理解所学知识，同时也可以学到不少很实用的东西。

从各种文档的阅读到开始的需求分析、概念结构设计、逻辑结构设计、物理结构设计。亲身体验了一回系统的设计开发过程。很多东西书上写的很清楚，貌似看着也很简单，思路非常清晰。但真正需要自己想办法去设计一个系统的时候才发现其中的难度。经常做到后面突然就发现自己一开始的设计有问题，然后又回去翻工，在各种反复中不断完善自己的想法。

我想有这样的问题不止我一个，事后想想是一开始着手做的时候下手过于轻快，或者说是根本不了解自己要做的这个系统是给谁用的。因为没有事先做过仔细的用户调查，不知道整个业务的流程，也不知道用户需要什么功能就忙着开发，这是作为设计开发人员需要特别警惕避免的，不然会给后来的工作带来很大的麻烦，甚至可能会需要全盘推倒重来。所以以后的课程设计要特别注意这一块的设计。

按照要求，我们做的是机票预订系统。说实话，我对这个是一无所知的，没有订过机票，也不知道航空公司是怎么一个流程。盲目开始设计的下场我已经尝过了，结果就是出来一个四不像的设计方案，没有什么实际用处。没有前期的调查，仅从指导书上那几条要求着手是不够的。

在需求分析过程中，我们通过上网查资料，去图书馆查阅相关资料，结合我们的生活经验，根据可行性研究的结果和客户的要求，分析现有情况及问题，采用client/server结构，将机票预定系统划分为两个子系统：客户端子系统，服务器端子系统。在两周的时间里，不断地对程序及各模块进行修改、编译、调试、运行，其间遇到很多问题：由于忘记了一些java语言的规范使得在调试过程中一些错误没有发现，通过这次课程设计，我对调试掌握得更加熟练了，意识到了程序语言的规范性以及我们在编程时要有严谨的态度，同时在写程序时如有一定量的注释，既增加了程序的可读性，也可以使自己在读程序时更容易。

我们学习并应用了sql语言，对数据库的创建、修改、删除方法有了一定的了解，通过导入表和删除表、更改表学会了对于表的一些操作，为了建立一个关系数据库信息管理系统，必须得经过系统调研、需求分析、概念设计、逻辑设计、物理设计、系统调试、维护以及系统评价的一般过程，为毕业设计打下基础。

很多事情不是想象中的那么简单的，它涉及到的各种实体、属性、数据流程、数据处理等等。很多时候感觉后面的设计根本无法继续，感觉像是被前面做的各种图限制了。在做关系模型转换的时候碰到有些实体即可以认为是实体又可以作为属性，为了避免冗余，尽量按照属性处理了。

物理结构设计基本没有碰到问题，这一块和安全性、完整性不觉就会在物理结构设计中添加一些安全设置：主键约束、check约束、default定义等。最后才做索引的部分，对一些比较经常使用搜索的列，外键上建立索引，这样可以明显加快检索的速度，最后别忘记重要的安全性设置，限制用户访问权限，新建用户并和数据库用户做相应的映射。

不管做什么，我们都要相信自己，不能畏惧，不能怕遇到困难，什么都需要去尝试，有些你开始认为很难的事在你尝试之后你可能会发现原来她并没有你以前觉得的那样，自己也是可以的。如果没有自信，没有目标，没有信心就不可能把事情做好，当其他人都在迷茫的时候，自己一定要坚信目标，大学毕业出去即面临找工作，从学习这个专业，到以后从事这方面的工作都需要不断地去学习去实践，这次实践可以给我们敲一个警钟，我们面临毕业，面临择业，需要这些实践经验，在困难面前要勇于尝试，这是这次课程设计给我的最大感想!

以上基本是这次实习的体会了，设计进行的非常艰难，编码非常不容易，才发现做一个项目最重要的不在于如何实现，而是实现之前的需求分析和模块设计。创新很难，有些流行的系统其实现并不难，难的在于对市场的分析和准确定位。设计，是一个任重道远的过程。

大数据心得篇7

“数据结构与算法课程设计”是计算机科学与技术专业学生的集中实践性环节之一，是学习“数据结构与算法”理论和实验课程后进行的一次全面的综合练习。其目的是要达到理论与实际应用相结合，提高学生组织数据及编写程序的能力，使学生能够根据问题要求和数据对象的特性，学会数据组织的方法，把现实世界中的实际问题在计算机内部表示出来并用软件解决问题，培养良好的程序设计技能。

当初拿到这次课程设计题目时，似乎无从下手，但是经过分析可知，对于简单文本编辑器来说功能有限，不外乎创作文本、显示文本、统计文本中字母—数字—空格—特殊字符—文本总字数、查找、删除及插入这几项功能。于是，我进行分模块进行编写程序。虽然每个模块程序并不大，但是每个模块都要经过一番思考才能搞清其算法思想，只要有了算法思想，再加上c程序语言基础，基本完成功能，但是，每个模块不可能一次完成而没有一点错误，所以，我给自己定了一个初级目标：用c语言大体描述每个算法，然后经调试后改掉其中明显的错误，并且根据调试结果改正一些算法错误，当然，这一目标实现较难。最后，经过反复思考，看一下程序是否很完善，如果能够达到更完善当然最好。并非我们最初想到的算法就是最好的算法，所以，有事我们会而不得不在编写途中终止换用其他算法，但是，我认为这不是浪费时间，而是一种认识过程，在编写程序中遇到的问题会为我们以后编写程序积累经验，避免再犯同样的.错误。但是，有的方法不适用于这个程序，或许会适用于另外一个程序。所以，探索的过程是成长的过程，是为成功做的铺垫。经过努力后获得成功，会更有成就感。

在课程设计过程中通过独立解决问题，首先分析设计题目中涉及到的数据类型，在我们学习的数据存储结构中不外乎线性存储结构及非线性存储结构，非线性存储结构中有树型，集合型，图型等存储结构，根据数据类型设计数据结点类型。然后根据设计题目的主要任务，设计出程序大体轮廓（包括子函数和主函数），然后对每个子函数进行大体设计，过程中错误在所难免，所以要经过仔细探索，对每个函数进行改进。

程序基本完成后，功能虽然齐全，但是程序是否完善（例如，输入数据时是否在其范围之内，所以加入判断语句是很有必要的）还需运行测试多次，如有发现应该对其进行改善，当然要在力所能及的前提下。

课程设计过程虽然短暂，但是使我深刻理解数据结构和算法课程对编程的重要作用，还有“数据结构与算法”还提供了一些常用的基本算法思想及算法的编写程序。通过独立完成设计题目，使我系统了解编程的基本步骤，提高分析和解决实际问题的能力。通过实践积累经验，才能有所创新。正所谓，良好的基础决定上层建筑。只有基本功做好了，才有可能做出更好的成果。

大数据心得篇8

我主要读了第一部分和第三部分。

第一部分是大数据的思维变革，作者舍恩伯格提出了三个观点，一是＂不是随机样本，而是全体数据＂，二是＂不是精确性，而是混杂性＂，三是＂不是因果关系，而是相关关系＂，作者被誉为＂大数据时代的预言家＂，抛出的观点是掷地有声的，下面我将谈谈我对这三点的理解。

对于一，我们必须承认我们以往做的处理抽样数据得到结果的方法，是省时省力省钱的，而且判断结果是相对高精准的，如人口普查这一案例，如果采用全体数据进行统计分析的话，工作难度是相当大的，最后的结果也不会很满意，这是得不偿失的。但是随着数据处理技术的飞速发展，我们已经具备了处理大量数据的能力，如果在数据分析过程中采用全体数据，就能避免抽样数据可能由于选取偏见带来的非随机性，处理全体数据也必将成为一种趋势。用在国防生管理工作中，就是管理层要对每个个体都给予充分的关心与互动，对于优秀的固然要偏爱，但是对于较差的也要保持＂不抛弃不放弃＂的态度，让每一个个体都找到自己的定位与价值。

对于二，作者强调通过掌握更多的数据，暂时牺牲精确性，关注更多容易被忽略的细节，来做更多的事，得到更多的结果，也就是说我们要有一定的包容错误的能力。我们在收集数据时，要主动获取更多的数据，少加一些限制性条件，然后应用我们处理大数据的能力，或许会获得意想不到的结果。作者举了一个谷歌翻译系统的例子，通过英语作为中转，进行各语言之间的转换。此处的启发就是用我们最擅长的途径，不拘泥于特定规则，来达到我们的目的，也就是说我们要先认清自己，不去刻意的模仿，找出最适合自己的一套方法。

对于三，作者指出知道＂是什么＂就够了，没必要知道＂为什么＂，乍一看这个观点觉得有点无脑，但是结合第二点就合理了，降低对精确性及原因结果的要求，通过对相关数据的广泛分析，进而得到更丰富更多元的结果。如购物时，系统的购物推荐，并不是肯定你会购买，仅仅是你感兴趣进而可能会买就足够了。其实作者对＂相关关系＂的强调，主要是大数据强大的预测能力，而且这种预测性能还是相当精确的。以上只是我用作者的观点佐证他自己的观点，证明其一定的合理性，但是我是不完全认同的，在航天领域，我们对成功率的要求是极高的，尤其是载人航天领域，我们必须做到万无一失，我们对每一个结果都会深究其根，找出原因。对于国防生体能成绩的分析也是如此，结果只是我们的一个评价机制，而最重要的还是产生这一结果的原因及过程。

第三部分是大数据的管理变革，本来以为作者会讲点如何通过大数据来改革管理机制和提高管理效率，没想到作者只是讲了大数据其实就是我们的隐私的暴露，提出了要让数据采集管理公司对数据的使用负起责任的解决途径。个人感觉，一是我们在平时要意识到个人隐私的保护，而是相关法律政策的完善，真正的让大数据服务我们的工作生活，而不是一种变相的威胁。