统计数据信息处置是对纷繁的海量统计数据数据商业价值的提炼出，而其中最有用的地方是全面性预测，即可以透过统计数据数据建模、统计数据建模、统计数据数据叙述等统计数据数据预测形式协助统计数据数据生物学家更快的认知统计数据数据，根据统计数据数据预测的结论得出结论全面性重大决策。
统计数据数据是指透过 RFID 微波统计数据数据、感测器统计数据数据、SNS互联网可视化统计数据数据及移动互联网统计数据数据等形式赢得的多种类型的形式化、半形式化(或称作弱形式化)及非形式化的海量统计数据数据，是大统计数据数据科学知识服务项目数学模型的显然。
重点项目要冲破分布式控制系统高速路高可信统计数据数据banlist或搜集、高速路统计数据数据全PV等大统计数据数据搜集控制技术；冲破高速路统计数据数据导出、切换与运载等大统计数据数据天然资源整合控制技术；结构设计产品质量评估结论数学模型，合作开发统计数据数据产品质量控制技术。
大统计数据数据搜集一般分成：
大统计数据数据智能化可视化层：主要包括统计数据数据感测管理体系、存储设备管理体系、感测互联网连接管理体系、智能化辨识管理体系及硬件天然资源互联网连接控制系统，同时实现对形式化、半形式化、非形式化的海量统计数据数据的智能化辨识、功能定位、追踪、互联网连接、数据传输、讯号切换、监视、先期处置和管理等。
要着重于攻下特别针对大统计数据管理工具的智能化辨识、可视化、互联网连接、数据传输、互联网连接等控制技术。
此基础支撑力层：提供更多大统计数据数据一站式所需的交互式伺服器，形式化、半形式化及非形式化统计数据数据的统计数据资料库及物联互联网服务项目等此基础支撑力自然环境。
重点项目攻下分布式控制系统交互式存储控制技术
完成对已接收统计数据数据的辨析、抽取、清洗等操作。
抽取：和类型，统计数据数据抽取过程可以协助我们将这些复杂的统计数据数据转化为单一的或者便于处置的构型，以达到快速预测处置的目的。
清洗：对于大统计数据数据，并不全是有用的，有些统计数据数据并不是我们所关心的内容，而另一些统计数据数据则是完全错误的干扰项，因此要对统计数据数据透过过滤“去噪”从而提取出有效统计数据数据。
大统计数据数据存储及管理控制技术大统计数据数据存储与管理要用存储器把搜集到的统计数据数据存储起来，建立相应的统计数据资料库，并进行管理和调用。
重点项目解决复杂形式化、半形式化和非形式化大统计数据数据管理与处置控制技术。主要解决大统计数据数据的可存储、可表示、可处置、可信性及有效数据传输等几个关键问题。
合作开发可信的分布式控制系统文件控制系统(DFS)、能效优化的存储、计算融入存储、大统计数据数据的去冗余及高效低成本的大统计数据数据存储技术；冲破分布式控制系统非关系型大统计数据数据管理与处置控制技术，异构统计数据数据的统计数据数据融合控制技术，统计数据数据组织控制技术，研究大统计数据数据建模控制技术；冲破大统计数据数据索引控制技术；冲破大统计数据数据移动、备份、复制等控制技术；合作开发大统计数据数据建模控制技术。
合作开发新型统计数据资料库控制技术，数据库分成关系型统计数据资料库、非关系型统计数据资料库以及统计数据资料库缓存控制系统。
其中，非关系型统计数据资料库主要指的是 NoSQL 统计数据资料库，分成：键值统计数据资料库、列存统计数据资料库、图存统计数据资料库以及文档统计数据资料库等类型。关系型统计数据资料库包含了传统关控制系统计数据数据库控制系统以及 NewSQL 统计数据资料库。
合作开发大统计数据数据安全控制技术：改进统计数据数据销毁、透明加解密、分布式控制系统访问控制、统计数据数据审计等控制技术;冲破隐私保护和推理控制、统计数据数据真伪辨识和取证、统计数据数据持有完整性验证等控制技术。
大统计数据数据预测及挖掘技术大统计数据数据预测控制技术：改进已有统计数据数据预测和机器学习控制技术；合作开发统计数据数据互联网挖掘、特异群组挖掘、图挖掘等新型统计数据数据预测控制技术；冲破基于对象的统计数据数据连接、相似性连接等大统计数据数据融合控制技术；冲破用户兴趣预测、互联网行为预测、情感语义预测等面向领域的大统计数据数据预测控制技术。
统计数据数据预测就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用领域统计数据数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和科学知识的过程。
统计数据数据预测涉及的控制技术方法很多，有多种分类法。根据挖掘任务可分成分类或预测数学模型发现、统计数据数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖数学模型发现、异常和趋势发现等等；根据挖掘对象可分成关控制系统计数据资料库、面向对象统计数据资料库、空间统计数据资料库、时态统计数据资料库、文本统计数据管理工具、多媒体统计数据资料库、异质统计数据资料库、遗产统计数据资料库以及环球网 Web;根据挖掘方法分，可粗分成:机器学习方法、统计数据方法、神经互联网方法和统计数据资料库方法。
机器学习中，可细分成归纳学习方法(重大决策树、规则归纳等)、基于范例学习、遗传算法等。
统计数据方法中，可细分成：回归预测(多元回归、自回归等)、判别预测(贝叶斯判别、费歇尔判别、非参数判别等)、聚类预测(控制系统聚类、动态聚类等)、探索性预测(主元预测法、相关预测法等)等。
神经互联网方法中，可细分成：前向神经互联网(BP 算法等)、自组织神经互联网(自组织特征映射、竞争学习等)等。统计数据资料库方法主要是多维统计数据数据预测或 OLAP 方法，另外还有面向属性的归纳方法。
数据挖掘主要过程是：根据预测挖掘目标，从统计数据资料库中把统计数据数据提取出来，然后经过 ETL 组织成适合预测挖掘算法使用宽表，然后利用统计数据数据预测软件进行挖掘。传统的统计数据数据预测软件，一般只能支持在单机上进行小规模统计数据信息处置，受此限制传统统计数据数据预测挖掘一般会采用抽样形式来减少统计数据数据预测规模。
统计数据数据预测的计算复杂度和灵活度远远超过前两类需求。一是由于统计数据数据预测问题开放性，导致统计数据数据预测会涉及大量衍生变量计算，衍生变量多变导致统计数据数据预处理计算复杂性；二是很多统计数据数据预测算法本身就比较复杂，计算量就很大，特别是大量机器学习算法，都是迭代计算，需要透过多次迭代来求最优解，例如 K-means 聚类算法、PageRank 算法等。
