应用大数据平台分析方法主要包括以下几个方面：
1. 数据采集与预处理：这是数据分析的第一步，需要从各种数据源中采集数据，并对数据进行清洗、转换和归一化等预处理操作，以便后续的分析和建模。
2. 特征工程：在数据采集和预处理之后，需要对数据进行特征提取和选择，以便于后续的机器学习和深度学习模型的训练。特征工程包括特征选择、特征构造和特征变换等步骤。
3. 模型选择与训练：根据问题的性质和数据的特点，选择合适的机器学习或深度学习模型进行训练。常用的模型有线性回归、逻辑回归、决策树、支持向量机、神经网络等。
4. 模型评估与优化：通过交叉验证、留出法等方法对模型的性能进行评估，并根据评估结果对模型进行调整和优化，以提高模型的预测准确率和泛化能力。
5. 模型部署与应用：将训练好的模型部署到实际场景中，用于对新数据的预测和分类。同时，还需要对模型进行持续的监控和更新，以应对新的数据和变化的环境。
6. 可视化与解释：通过对模型输出结果的可视化，可以更直观地了解模型的预测效果和规律，同时也方便对模型进行解释和理解。常用的可视化工具有Tableau、PowerBI、Python的matplotlib和seaborn等。
7. 数据挖掘与推荐系统：通过对大量用户行为数据的分析，可以发现用户的兴趣和需求，从而为用户提供个性化的服务和推荐。常用的数据挖掘方法有关联规则挖掘、聚类分析、序列模式挖掘等。
8. 实时数据处理与流分析：对于实时数据流的处理，需要使用流处理框架（如Spark Streaming、Flink等）进行实时计算和分析，以满足实时性的要求。
9. 数据安全与隐私保护：在处理敏感数据时，需要遵守相关的法律法规，确保数据的安全和隐私。常见的数据安全措施包括数据脱敏、加密传输、访问控制等。
10. 人工智能与机器学习：随着人工智能技术的发展，越来越多的机器学习算法被应用于大数据分析中，如深度学习、迁移学习、强化学习等。这些算法可以处理更复杂的问题，提高分析的准确性和效率。
