大数据挖掘简介
大数据挖掘涉及如下的课程：机器学习，统计学，人工智能，数据库等，但是更多的注重如下的特性：
1）可扩展性（Scalability）（大数据）
2）算法和架构
3）自动的处理大数据
我们需要学习挖掘不同类型的数据：
1）高维的数据
2）图数据
3）无限的（infinite/never-ending）数据
4）贴有标签的数据
同时我们还要学习不同的计算模型：
1）MapReduce算法
2）流和在线（Streams and Online）算法
3）Single machine in-memory
然后，还要学习解决现实中的问题，像：
1）推荐系统
2）关联规则
3）链接分析
4）重复检测
等等。
还要学习各种“工具"，像：
1）线性代数（SVD，推荐系统等）
2）优化（随机梯度下降）
3）动态规划（频繁项集）
4）Hashing（LSH，Bloom filters）
以上所有的内容可以通过如下的图关联在一起来展示，如下：
在学习大数据挖掘之前，需要有如下的预备知识：
1）算法方面的知识（CS161）——动态规划，基本的数据结构等
2）基本的概率论方面的知识（CS109）——矩（Moments），典型的分布，最大似然估计（MLE）等
3）编程方面的知识（CS107）——C++或Java将非常有用
内容来自于：http://www.stanford.edu/class/cs246/slides/01-mapreduce.pdf
