一、了解一下云计算，大数据，零基础，求指导！
大数据和云计算其实可以算一个领域1.从技术上来看大数据和云计算的关系就像一枚硬币的正反面一样密不可分。
2/5
大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘，但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
3/5
云时代的来临，大数据的关注度也越来越高，分析师团队认为大数据通常用来形容一个公司创造的大量非结构化数据和半结构化数据。
大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。
5/5
大数据需要特殊的技术以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模的并行处理数据库、数据挖掘、分布式文件系统、分布式数据可、云计算平台、互联网和可扩展的存储系统。
二、什么是云计算，大数据，互联网和Web
如果数据是财富，那么大数据就是宝藏，而云计算就是挖掘和利用宝藏的利器！没有强大的计算能力，数据宝藏终究是镜中花；没有大数据的积淀，云计算也只能是杀鸡用的宰牛刀！ 云计算比高铁安全，即使追尾也不会脱轨，即使脱轨，也不会出人命！但是，天下没有免费的云，如不需雨，请勿造云！
三、类似雪泥鸿爪的意思的成语，意思是历史留下的痕迹。褒义的。最好和大海有关。。谢谢
【抚今悼昔】：因眼前事物而引起对往事的追思。
【抚今痛昔】：因眼前事物而引起对往事的追思。同“抚今悼昔”。
【抚时感事】：指感念时事，伤怀往事。
【鸿泥雪爪】：比喻往事留下的痕迹。同“鸿爪雪泥”。
【鸿爪春泥】：比喻往事留下的痕迹。同“鸿爪雪泥”。
【鸿爪留泥】：比喻往事留下的痕迹。同“鸿爪雪泥”。
【鸿爪雪泥】：比喻往事留下的痕迹。
【鲁女泣荆】：比喻留恋旧物，勾起对往事的缅怀。
【目想心存】：凝思想象。多指追忆故人或往事。
【泥雪鸿迹】：大雁在雪泥上踏过留下的爪印。比喻往事遗留的痕迹。
【泣荆之情】：比喻人留恋旧物，缅怀往事。
【送往视居】：礼葬死者，奉养生者。同“送往事居”。
【新愁旧憾】：愁：忧烦苦闷；憾：遗憾悔恨。新增添的忧烦苦闷和旧有的遗憾悔恨。形容思虑现状，回忆往事而无限忧伤、怨恨的情绪。
【新愁旧恨】：愁：忧烦苦闷；恨：遗憾悔恨。新增添的忧烦苦闷和旧有的遗憾悔恨。形容思虑现状，回忆往事而无限忧伤、怨恨的情绪。
【雪鸿指爪】：比喻往事遗留的痕迹。同“雪泥鸿爪”。
【雪泥鸿迹】：比喻往事遗留的痕迹。同“雪泥鸿爪”。
【雪泥鸿爪】：雪泥：融化着雪水的泥土。大雁在雪泥上踏过留下的爪印。比喻往事遗留的痕迹。
【雪爪鸿泥】：大雁在雪泥上踏过留下的爪印。比喻往事遗留的痕迹。
【雪中鸿爪】：比喻往事遗留的痕迹。同“雪泥鸿爪”。
【雁过长空】：大雁在高空飞过，没有留下痕迹。比喻往事已过，旧影难寻。
【燕居深念】：燕居：闲居。闲居在家，对往事产生深深的怀念之情。
【雨迹云踪】：云和雨的踪迹。比喻往事。
【雨踪云迹】：比喻男女情好的往事。
【彰往察来】：指记载往事不使湮灭，据以考察未来。
【彰往考来】：指彰明往事，考察未来。
【追悔不及】：悔恨过去的往事，却已无法挽回了。
【追悔无及】：悔恨过去的往事，却经已来不及了。
四、云计算，大数据，人工智能三者有何关系
人工智能的实现，需要大数据作为人工智能对行为智能判断的依据，云计算是运用大数据运行出运算的结果并保存在云（互联网服务器）上。
这三者相互独立，又相辅相成。相信这样你就有一个大概概念了。
五、云计算和大数据之间的区别有知道的嘛？
云计算(cloud computing)是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。狭义云计算指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源;广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。它意味着计算能力也可作为一种商品通过互联网进行流通。
大数据(big data)，或称海量数据，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：Volume、Velocity、Variety、Veracity。
从技术上看,大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理,必须采用分布式计算架构。它的特色在于对海量数据的挖掘,但它必须依托云计算的分布式处理、分布式数据库、云存储和虚拟化技术。
大数据管理，分布式进行文件系统，如Hadoop、Mapreduce数据分割与访问执行;同时SQL支持，以Hive+HADOOP为代表的SQL界面支持，在大数据技术上用云计算构建下一代数据仓库成为热门话题。从系统需求来看，大数据的架构对系统提出了新的挑战：
1、集成度更高。一个标准机箱最大限度完成特定任务。
2、配置更合理、速度更快。存储、控制器、I/O通道、内存、CPU、网络均衡设计，针对数据仓库访问最优设计，比传统类似平台高出一个数量级以上。
3、整体能耗更低。同等计算任务，能耗最低。
4、系统更加稳定可靠。能够消除各种单点故障环节，统一一个部件、器件的品质和标准。
5、管理维护费用低。数据藏的常规管理全部集成。
6、可规划和预见的系统扩容、升级路线图。
