1. Khối lượng (Volume)

- Dữ liệu lớn có kích thước khổng lồ, thường tính bằng terabyte, petabyte hoặc exabyte.
- Ví dụ: dữ liệu giao dịch của một công ty thương mại điện tử, dữ liệu y tế của một bệnh viện, v.v.
2. Tốc độ (Velocity)

- Dữ liệu lớn được tạo ra và cập nhật liên tục, gần như theo thời gian thực.
- Ví dụ: dữ liệu từ mạng xã hội, dữ liệu giao dịch chứng khoán, v.v.
3. Đa dạng (Variety)

- Dữ liệu lớn bao gồm nhiều loại dữ liệu khác nhau, như dữ liệu có cấu trúc, dữ liệu bán cấu trúc và dữ liệu phi cấu trúc.
- Ví dụ: dữ liệu văn bản, dữ liệu hình ảnh, dữ liệu video, v.v.
4. Tính xác thực (Veracity)

- Dữ liệu lớn có thể chứa các lỗi và thiếu chính xác.
- Việc đảm bảo tính chính xác của dữ liệu là một thách thức lớn.
5. Giá trị (Value)

- Dữ liệu lớn có tiềm năng mang lại giá trị to lớn cho nhiều lĩnh vực khác nhau.
- Việc phân tích và khai thác dữ liệu hiệu quả có thể giúp doanh nghiệp tăng doanh thu, giảm chi phí, cải thiện hiệu quả hoạt động và đưa ra quyết định sáng suốt.

Ví dụ về "Giá trị" (Value) của dữ liệu lớn:

Ngành ngân hàng: Ngân hàng có thể phân tích dữ liệu giao dịch của khách hàng để xác định các mẫu gian lận. Việc phát hiện gian lận có thể giúp ngân hàng tiết kiệm hàng triệu USD mỗi năm.

a) Sai. Dữ liệu lớn thường có nhiều dạng khác nhau, bao gồm dữ liệu có cấu trúc, dữ liệu bán cấu trúc và dữ liệu phi cấu trúc. Ý nghĩa của dữ liệu lớn không phải lúc nào cũng rõ ràng và cần được phân tích để hiểu rõ hơn.

b) Đúng. Phân tích dữ liệu nhằm rút ra các thông tin hữu ích còn tiềm ẩn từ dữ liệu. Phân tích dữ liệu có thể sử dụng các kỹ thuật thống kê, toán học và khoa học máy tính để xử lý và phân tích dữ liệu.
c) Sai. Khai phá dữ liệu không nhằm mục đích tìm ra dữ liệu mới. Khai phá dữ liệu sử dụng các kỹ thuật học máy để tìm ra các mẫu và xu hướng ẩn trong dữ liệu.

d) Đúng. Học máy thúc đẩy việc phát triển những phương pháp mới để khai phá dữ liệu. Học máy cung cấp các thuật toán mạnh mẽ để xử lý và phân tích dữ liệu lớn, giúp tìm ra các mẫu và xu hướng ẩn mà con người khó có thể phát hiện.

Việc áp dụng kiến thức trong môn Toán, như phân tích và xử lí dữ liệu thống kê, vào giải quyết các vấn đề thực tế là một ví dụ rõ ràng về việc áp dụng tri thức. Điều này thể hiện việc sử dụng kiến thức học thuật và kỹ năng tính toán để hiểu, phân tích và giải quyết các vấn đề cụ thể trong thế giới thực. Do đó, việc giải quyết các vấn đề thực tế bằng phân tích và xử lí dữ liệu thống kê không chỉ là một cách tiếp cận hữu ích mà còn là một ví dụ điển hình về phát hiện và áp dụng tri thức.

Dữ liệu giao dịch của một công ty thương mại điện tử:

Mỗi ngày, công ty có thể ghi lại hàng triệu giao dịch, bao gồm thông tin về khách hàng, sản phẩm, giá cả, thời gian giao dịch, phương thức thanh toán, v.v.

a) Đúng. Khoa học dữ liệu nhằm rút ra được những hiểu biết sâu sắc từ dữ liệu bằng cách sử dụng các kỹ thuật toán học, thống kê và lập trình.

b) Sai. Khoa học dữ liệu không phải là bước tiếp theo của khoa học máy tính mà là một lĩnh vực liên ngành kết hợp nhiều lĩnh vực khác nhau như khoa học máy tính, thống kê, toán học, kinh doanh, v.v.

c) Đúng. Phân tích dữ liệu là áp dụng mô hình cho dữ liệu đã chuẩn bị để chọn lọc một số yếu tố quan trọng nhằm giải quyết vấn đề. Phân tích dữ liệu là một công cụ quan trọng trong khoa học dữ liệu.
d) Sai. Phân tích dữ liệu không phải là mục đích của khoa học dữ liệu mà chỉ là một bước trong quá trình khoa học dữ liệu. Mục đích của khoa học dữ liệu là tìm ra những hiểu biết sâu sắc từ dữ liệu và ứng dụng những hiểu biết đó để giải quyết vấn đề trong nhiều lĩnh vực khác nhau.

Khoa học dữ liệu có thể đóng góp cho cải tiến quản lý giao thông đô thị để giảm tắc đường theo nhiều cách:

- Phân tích dữ liệu giao thông để hiểu rõ nguyên nhân tắc đường.
- Dự đoán nhu cầu giao thông trong tương lai để điều chỉnh hệ thống giao thông hiệu quả.
- Tối ưu hóa hệ thống giao thông thông qua mô phỏng và lựa chọn giải pháp phù hợp.
- Phát triển các hệ thống giao thông thông minh (ITS) để điều khiển giao thông và cung cấp thông tin cho người tham gia giao thông.
- Nâng cao nhận thức của người tham gia giao thông.

Ví dụ về sự đóng góp của khoa học dữ liệu vào thành tựu khoa học công nghệ:

-  Xe tự lái:

+ Khoa học dữ liệu đóng vai trò quan trọng trong việc phát triển xe tự lái.

+ Các thuật toán học máy được sử dụng để huấn luyện xe tự lái nhận diện môi trường xung quanh, dự đoán hành vi của người tham gia giao thông và đưa ra quyết định lái xe an toàn.
+ Dữ liệu thu thập từ các camera, radar và lidar được sử dụng để huấn luyện mô hình học máy.

+ Khoa học dữ liệu cũng giúp tối ưu hóa hiệu suất của xe tự lái, giảm thiểu tiêu hao năng lượng và nâng cao trải nghiệm lái xe.

- Các giai đoạn của dự án khoa học dữ liệu:

1. Xác định vấn đề và mục tiêu

2. Thu thập và chuẩn bị dữ liệu

3. Phân tích dữ liệu

4. Trực quan hoá dữ liệu

5. Triển khai mô hình

6. Báo cáo kết quả

- Mục tiêu:

+ Tìm kiếm thông tin chi tiết từ dữ liệu.

+ Xây dựng mô hình dự đoán.

+ Tự động hóa các quy trình.

+ Hỗ trợ ra quyết định sáng suốt.

+ Thúc đẩy đổi mới.