大數據(big data,mega data)或稱巨量資料，指的是需要新處理模式才能具有更強的決策力、洞察力和流程優化能力的海量、高增長率和多樣化的信息資產。 在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》中大數據指不用隨機分析法(抽樣調查)這樣的捷徑，而采用所有數據進行分析處理。大數據的5V特點:Volume(大量)、Velocity(高速)、Variety(多樣)、Value(價值密度)、Veracity（真實性）。隨著人工智能的大量應用，大數據翻譯也應用廣泛起來，下來海歷陽光翻譯公司簡單總結一些大數據的常用詞匯。

??二十六：CPA（廣告術語）

  ??CPA（Cost Per Action）是一種廣告計費模式，顧名思義按照行為（Action）作為指標來計費，這個行為可以是注冊、咨詢、放入購物車等等。廣告公司和媒體公司常用CPA、CPC(Cost Per Click)、CPM(Cost Per Mille，或者Cost Per Thousand;Cost Per Impressions)一起來衡量廣告價格。

  ??CPA（每次行動成本，Cost Per Action）計價方式是指按廣告投放實際效果，即按回應的有效問卷或定單來計費，而不限廣告投放量。CPA廣告是網絡中最常見的一種廣告形式，當用戶點擊某個網站上的cpc廣告后，這個站的站長就會獲得相應的收入。

??二十七：CPT（廣告術語）

  ??按時長計費是包時段投放廣告的一種形式，廣告主選擇廣告位和投放時間，費用與廣告點擊量無關。采用這種方式出售廣告，網站主決定每一個廣告位的價格，廣告主自行選擇購買時間段，目前可按周或按天購買，成交價就是網站主標定的價格。

??二十八：CTR（廣告點擊率）

  ??CTR（Click-Through-Rate）互聯網廣告常用的術語，指網絡廣告（圖片廣告/文字廣告/關鍵詞廣告/排名廣告/視頻廣告等）的點擊到達率，即該廣告的點擊量（嚴格的來說，可以是到達目標頁面的數量）除以廣告的瀏覽量（PV- Page View）。

  ??CTR是衡量互聯網廣告效果的一項重要指標。

??二十九：算法

  ??算法（Algorithm）是指解題方案的準確而完整的描述，是一系列解決問題的清晰指令，算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個算法有缺陷，或不適合于某個問題，執行這個算法將不會解決這個問題。不同的算法可能用不同的時間、空間或效率來完成同樣的任務。一個算法的優劣可以用空間復雜度與時間復雜度來衡量。

??三十：機器學習

  ??機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

  ??它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

??三十一：人工智能

  ??人工智能（Artificial Intelligence） ，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。

??三十二：深度學習

  ??英文名：Deep Learning

  ??深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

  ??深度學習的概念由Hinton等人于2006年提出。基于深信度網(DBN)提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。

  ??深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

??三十四：神經網絡

  ??人工神經網絡（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網絡（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

??三十五：OpenStack

  ??OpenStack是一個由NASA（美國國家航空航天局）和Rackspace合作研發并發起的，以Apache許可證授權的自由軟件和開放源代碼項目。

  ??OpenStack是一個開源的云計算管理平臺項目，由幾個主要的組件組合起來完成具體工作。OpenStack支持幾乎所有類型的云環境，項目目標是提供實施簡單、可大規模擴展、豐富、標準統一的云計算管理平臺。OpenStack通過各種互補的服務提供了基礎設施即服務（IaaS）的解決方案，每個服務提供API以進行集成。

??三十六：SaaS

  ??SaaS是Software-as-a-Service（軟件即服務）的簡稱，隨著互聯網技術的發展和應用軟件的成熟， 在21世紀開始興起的一種完全創新的軟件應用模式。它與“on-demand software”（按需軟件)，the application service provider(ASP，應用服務提供商)，hosted software(托管軟件)所具有相似的含義。它是一種通過Internet提供軟件的模式，廠商將應用軟件統一部署在自己的服務器上，客戶可以根據自己實際需求，通過互聯網向廠商定購所需的應用軟件服務，按定購的服務多少和時間長短向廠商支付費用，并通過互聯網獲得廠商提供的服務。

??三十七：Paas

  ??PaaS是Platform-as-a-Service的縮寫，意思是平臺即服務。 把服務器平臺作為一種服務提供的商業模式。通過網絡進行程序提供的服務稱之為SaaS(Software as a Service)，而云計算時代相應的服務器平臺或者開發環境作為服務進行提供就成為了PaaS(Platform as a Service)。

  ??所謂PaaS實際上是指將軟件研發的平臺（計世資訊定義為業務基礎平臺）作為一種服務，以SaaS的模式提交給用戶。因此，PaaS也是SaaS模式的一種應用。但是，PaaS的出現可以加快SaaS的發展，尤其是加快SaaS應用的開發速度。在2007年國內外SaaS廠商先后推出自己的PAAS平臺。

??三十八：IaaS

??IaaS（Infrastructure as a Service），即基礎設施即服務。

  ??消費者通過Internet 可以從完善的計算機基礎設施獲得服務。這類服務稱為基礎設施即服務。基于 Internet 的服務（如存儲和數據庫）是 IaaS的一部分。Internet上其他類型的服務包括平臺即服務（Platform as a Service，PaaS）和軟件即服務（Software as a Service，SaaS）。PaaS提供了用戶可以訪問的完整或部分的應用程序開發，SaaS則提供了完整的可直接使用的應用程序，比如通過 Internet管理企業資源。

??三十九：HaaS

  ??以提供的Hadoop作為一種服務（HAAS）

  ??HaaS（Hardware-as-a-service）的意思是硬件即服務。HaaS概念的出現源于云計算，現在被稱作基礎架構即服務（IaaS）或基礎架構云，使用IaaS，各企業可通過Web將更多的基礎架構容量作為服務提供。“通過Web”分配更多的存儲或處理容量當然要比供應商在基礎環境中引入和安裝新硬件要快得多。HaaS還具有另外一層含義是針對嵌入式設備而言的，目的在于建立通過互聯網（Web）進行嵌入式設備統一管理服務的模式。在這種情況下，HaaS類似于SaaS，對于嵌入式設備使用者來說，無需對所需嵌入式設備進行一次性購買，僅需按照設備使用量或其它標準支付設備的服務費及維護費即可。

??四十：決策樹

  ??決策樹(Decision Tree）是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。Entropy = 系統的凌亂程度，使用算法ID3, C4.5和C5.0生成樹算法使用熵。這一度量是基于信息學理論中熵的概念。

??四十一：EM算法

  ??最大期望算法（Expectation Maximization Algorithm，又譯期望最大化算法），是一種迭代算法，用于含有隱變量（hidden variable）的概率參數模型的最大似然估計或極大后驗概率估計。

??四十二：數據聚類

  ??數據聚類 (英語 : Cluster analysis) 是對于靜態數據分析的一門技術，在許多領域受到廣泛應用，包括機器學習，數據挖掘，模式識別，圖像分析以及生物信息。聚類是把相似的對象通過靜態分類的方法分成不同的組別或者更多的子集（subset），這樣讓在同一個子集中的成員對象都有相似的一些屬性，常見的包括在坐標系中更加短的空間距離等。

??四十三：概率模型

  ??給定一個用戶的查詢串，相對于該串存在一個包含所有相關文檔的集合。我們把這樣的集合看作是一個理想的結果文檔集，在給出理想結果集后，我們能很容易得到結果文檔。這樣我們可以把查詢處理看作是對理想結果文檔集屬性的處理。問題是我們并不能確切地知道這些屬性，我們所知道的是存在索引術語來表示這些屬性。由于在查詢期間這些屬性都是不可見的，這就需要在初始階段來估計這些屬性。這種初始階段的估計允許我們對首次檢索的文檔集合返回理想的結果集，并產生一個初步的概率描述。

??四十四：貝索斯定律

  ??英文：Bezos’ Law

  ??貝索斯定律是指在云的發展過程中，單位計算能力的價格大約每隔3年會降低50%。

??四十五：回歸分析

  ??回歸分析（regression analysis)是確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法。運用十分廣泛，回歸分析按照涉及的自變量的多少，可分為一元回歸分析和多元回歸分析；按照自變量和因變量之間的關系類型，可分為線性回歸分析和非線性回歸分析。如果在回歸分析中，只包括一個自變量和一個因變量，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變量，且因變量和自變量之間是線性關系，則稱為多元線性回歸分析。

??四十六：推薦算法

  ??基于內容的信息推薦方法的理論依據主要來自于信息檢索和信息過濾，所謂的基于內容的推薦方法就是根據用戶過去的瀏覽記錄來向用戶推薦用戶沒有接觸過的推薦項。主要是從兩個方法來描述基于內容的推薦方法：啟發式的方法和基于模型的方法。啟發式的方法就是用戶憑借經驗來定義相關的計算公式，然后再根據公式的計算結果和實際的結果進行驗證，然后再不斷修改公式以達到最終目的。而對于模型的方法就是根據以往的數據作為數據集，然后根據這個數據集來學習出一個模型。

??四十七：八叉樹

  ??英文名：Octree

  ??八叉樹是一種用于描述三維空間的樹狀數據結構。八叉樹的每個節點表示一個正方體的體積元素，每個節點有八個子節點，將八個子節點所表示的體積元素加在一起就等于父節點的體積。

??四十八：紅黑樹

  ??紅黑樹（Red Black Tree） 是一種自平衡二叉查找樹，是在計算機科學中用到的一種數據結構，典型的用途是實現關聯數組。

  ??它是在1972年由Rudolf Bayer發明的，當時被稱為平衡二叉B樹（symmetric binary B-trees）。后來，在1978年被 Leo J. Guibas 和 Robert Sedgewick 修改為如今的“紅黑樹”。

  ??紅黑樹和AVL樹類似，都是在進行插入和刪除操作時通過特定操作保持二叉查找樹的平衡，從而獲得較高的查找性能。

  ??它雖然是復雜的，但它的最壞情況運行時間也是非常良好的，并且在實踐中是高效的： 它可以在O(log n)時間內做查找，插入和刪除，這里的n 是樹中元素的數目。

??四十九：哈希表

  ??散列表（Hash table，也叫哈希表），是根據關鍵碼值(Key value)而直接進行訪問的數據結構。也就是說，它通過把關鍵碼值映射到表中一個位置來訪問記錄，以加快查找的速度。這個映射函數叫做散列函數，存放記錄的數組叫做散列表。

  ??給定表M，存在函數f(key)，對任意給定的關鍵字值key，代入函數后若能得到包含該關鍵字的記錄在表中的地址，則稱表M為哈希(Hash）表，函數f(key)為哈希(Hash) 函數。

??五十：隨機森林

  ??英文名：Random forest

  ??在機器學習中，隨機森林是一個包含多個決策樹的分類器， 并且其輸出的類別是由個別樹輸出的類別的眾數而定。 Leo Breiman和Adele Cutler發展出推論出隨機森林的算法。 而 “Random Forests” 是他們的商標。 這個術語是1995年由貝爾實驗室的Tin Kam Ho所提出的隨機決策森林（random decision forests）而來的。這個方法則是結合 Breimans 的 “Bootstrap aggregating” 想法和 Ho 的”random subspace method”” 以建造決策樹的集合。

以上就是海歷陽光翻譯公司就大數據翻譯英語常用詞匯總結之二的介紹,如果您有大數據翻譯的需求請聯系我們，海歷陽光翻譯將竭誠為您服務。