使用传统的数据分析方法无法轻松实现大数据方法。相反，非结构化数据需要专门的数据建模技术，工具和系统，以根据组织的需要提取见解和信息。数据科学是一种运用数学和统计思想以及计算机工具来处理大数据的科学方法。数据科学是一个专业领域，结合了多个领域，例如统计，数学，智能数据捕获技术，数据清理，挖掘和编程，以准备和对齐大数据以进行智能分析以提取见解和信息。

当前，我们所有人都目睹了全球和互联网上生成的以大数据概念产生的信息的空前增长。由于组合和应用不同的方法，算法和复杂的编程技术来对大量数据进行智能分析所涉及的复杂性，数据科学是一个充满挑战的领域。因此，数据科学领域已经从大数据发展而来，或者说大数据与数据科学密不可分。

此概念指的是来自不同来源的大量异构数据集合，通常无法以我们通常知道的标准数据库格式获得。大数据涵盖了所有类型的数据，即结构化，半结构化和非结构化信息，可以在互联网上轻松找到。

大数据包括：

非结构化数据 –社交网络，电子邮件，博客，推文，数字图像，数字音频/视频提要，在线数据源，移动数据，传感器数据，网页等。
半结构化 – XML文件，系统日志文件，文本文件等。
结构化数据 – RDBMS（数据库），OLTP，事务数据和其他结构化数据格式。
因此，所有数据和信息，无论其类型或格式如何，都可以理解为大数据。大数据处理通常始于汇总来自多个来源的数据。

大数据与数据科学之间的主要区别

组织需要大数据来提高效率，了解新市场并增强竞争力，而数据科学提供了及时了解和利用大数据潜力的方法或机制。
当前，对于组织而言，可以收集的有价值数据的数量没有限制，但是要使用所有这些数据来提取有意义的信息以进行组织决策，则需要数据科学。
大数据的特征在于速度的变化和数量（通常称为3V），而数据科学则提供了分析以3V为特征的数据的方法或技术。
大数据提供了潜在的性能。但是，从大数据中挖掘洞察力信息以利用其潜力来提高性能是一项重大挑战。数据科学除了演绎和归纳推理外，还使用理论和实验方法。它有责任从复杂的非结构化数据网格中发现所有隐藏的有见地的信息，从而支持组织实现大数据的潜力。
大数据分析从大量数据集中进行有用信息的挖掘。与分析相反，数据科学利用机器学习算法和统计方法来训练计算机学习，而无需进行大量编程即可对大数据进行预测。因此，请勿将数据科学与大数据分析相混淆。
大数据与技术（Hadoop，Java，Hive等），分布式计算以及分析工具和软件的关系更大。与之相反的是数据科学，后者侧重于业务决策策略，使用数学，统计以及数据结构和方法进行数据传播。

从大数据与数据科学之间的上述差异可以看出，数据科学已包含在大数据概念中。数据科学在许多应用领域中发挥着重要作用。数据科学通过预测分析来处理大数据，以获取有用的见解，其中将结果用于做出明智的决策。因此，数据科学包含在大数据中，而不是相反。