大数据智能核心技术入门 从大数据到人工智能PDF格式文档图书下载

第1章 大数据智能概论 1

1 大数据现象的本质 1

大数据源起：先知的诱惑 1

从《琅琊榜》看大数据本质 3

2 大数据是个“筐”，什么都能往里装 5

大数据技术业务概览 6

为什么叫大数据智能 7

3 何谓大数据智能 7

图灵的智能之问 7

大数据如何助力人工智能 9

大数据智能的深度融合之路 11

4 大数据智能三要素 12

数据：智能燃料 13

算法：智能引擎 14

算力：智能加速 15

5 大数据智能的马太效应 16

DT技术新解 16

强者越强，弱者越弱 18

挑战才刚刚开始 19

第2章 多维度解构大数据智能技术 21

1 “四位一体”看大数据智能 21

大数据智能技术的四个维度 22

云计算的支撑地位 24

2 大数据智能产业链版图 26

百家争鸣的DT生态 27

开源的巨大推动力 29

3 大数据智能的关键技术体系 31

大数据智能总体应用架构 31

大数据智能的基础支撑技术 34

大数据智能应用流程优化 39

4 从数据科学看大数据智能 43

什么是数据科学 43

数据科学的核心技术 44

数据科学的技术体系 47

数据科学的艺术 48

5 从商业智能看大数据智能 50

商业智能应用的问题 50

BI如何借力大数据智能 52

大数据智能与BI的融合之路 53

6 智能时代的基础信息架构 54

DT基础设施：云端—数据—智能 54

Hadoop大数据管理：“三个臭皮匠，赛过诸葛亮” 55

OpenStack云计算：一切皆服务 58

TensorFlow深度学习：流动的张量 59

第3章 大数据驱动的深度智能 63

1 深度学习的崛起 63

早期AI的发展 64

“猫”“狗”AI的野蛮生长 65

深度学习正在重塑机器智能 69

2 机器如何智能：从感知到认知 70

何谓机器智能 70

机器智能的三个层次 71

智能技术及应用体系 72

3 机器如何学习：从知识到数据 73

符号派AI的瓶颈 73

浅层学习：小数据驱动的机器学习10 76

深度学习：大数据驱动的机器学习20 83

4 机器学习五大学派 84

机器学习主流方向 84

机器学习算法不完全概览 87

机器学习技术选型 88

5 神经网络的“三起两落” 90

神经元与神经网络 90

神经网络研究的泡沫与价值 92

6 深度学习原理及核心网络结构 94

机器如何深度学习 94

自动特征工程：抽象与迭代 96

深度学习的关键词 97

深度学习的主流网络结构 100

7 深度强化学习：深度感知＋强化决策 108

什么是强化学习 108

AlphaGo的深度强化策略 109

8 深度学习的“深度”价值 110

类脑学习参考 111

无监督自动特征工程 112

多种学习方式的融合 112

9 深度学习的瓶颈与挑战 113

如何从感知到认知 114

如何从监督学习到无监督学习 114

学习方式及应用场景的局限 115

多模态、多任务增量学习和模型重用 116

可解释性、安全性与鲁棒性 116

大数据、大模型与计算资源的瓶颈 118

第4章 敏捷大数据智能 121

1 为什么需要敏捷 121

大数据应用落地的瓶颈 121

敏捷大数据的重要性 123

2 敏捷大数据方法论 126

精益与敏捷思想 127

敏捷大数据定义及核心原则 130

“大”数据“小”应用 132

敏捷大数据应用流程 132

3 微服务、容器与数据融合 134

微服务与容器技术 134

多层次数据融合技术 137

4 敏捷大数据智能技术架构 139

5 结论与展望 144

第5章 大数据智能“独角兽”探秘 146

1 Palantir的本体人机共生 146

B2B大数据领域的“独角兽” 146

Palantir的产品体系及应用案例 147

Palantir架构设计：敏捷大数据的优美实现 151

Palantir数据融合：本体论与数据索引映射 152

Palantir智能计算：多维关联挖掘与全链分析 155

Palantir人机交互：动态可视化与人机共生 156

总结与启示 158

2 Google的深度智能样板工程 159

“狗”的诞生 160

AlphaGo的“类脑学习”框架 160

AlphaGo“零”的进化 162

总结与启示 164

3 IBM的认知智能 164

Watson的源起 165

认知智能与自然语言理解 166

Watson的认知智能平台架构 168

Watson DeepQA关键技术 169

Watson认知智能的强与弱 171

总结与启示 172

4 TensorFlow的Android式进化 173

TensorFlow的开源 173

为什么要讲Android 174

Google云端大数据智能战略 175

总结与启示 177

第6章 大数据智能个人学习篇：入门与实践 178

1 智能时代的学习革命 178

机器智能的助力 178

牛津大学的职业淘汰率研究 179

2 大数据智能技术“盲人摸象” 181

3 大数据智能“3+3”学习路线 183

学习的三个阶段：把握技术发展的时间线 183

学习的三种方式：应用导向是关键 186

4 如何避免大数据智能学习的误区 189

要业务驱动，不要技术驱动 189

要以点带面，不要贪大求全 190

要善用开源技术，不要重“造轮子” 191

要勇于实践，不要纸上谈兵 192

5 Kaggle，众包与大数据教育 193

6 三种核心职业角色 194

数据分析师：重在业务理解和探索 196

数据工程师：重在数据管理和系统实现 196

数据科学家：重在解决问题和统筹决策 197

7 理性看待所谓的“风口” 198

第7章 大数据智能企业应用篇：战略与规划 201

1 智能时代的商业革命 201

2 大数据智能应用全周期模型 203

3 如何避免大数据智能应用的陷阱 207

第一问：我属于什么级别的“玩家” 207

第二问：大数据于我是伪需求还是真需求 207

第三问：如何自行定位大数据应用价值 208

第四问：技术驱动、数据驱动还是业务场景驱动 209

第五问：我是否准备好打一场大数据应用持久战 210

第六问：我是否清楚大数据偏见、技术局限与管理风险 213

4 大数据应用战略 214

第8章 大数据智能政府管理篇：治理与决策 217

1 智能时代的治理革命 217

2 政务大数据治理挑战 218

第一问：如何处理集中与开放的矛盾 219

第二问：如何推进政务大数据治理和决策优化 219

第三问：如何降低政务数据治理带来的负面影响 220

3 政务大数据治理与应用框架 220

管理和治理是基础 221

技术和算法是手段 222

决策和服务是目的 223

4 政务大数据决策安全 224

国防决策安全 224

公共决策安全 224

经济决策安全 225

科技决策安全 226

5 应用标准与落地应用的悖论 226

数据安全标准 227

数据质量标准 227

数据交互标准 227

数据开放标准 228

6 政务治理的现代化 228

第9章 结语 230

1 认知泡沫与应用价值 230

2 机器智能与人类智能 231

3 人技融合，学以“治”用 234

4 智能时代，我们将走向何方 235

致谢 236

查看更多关于大数据智能核心技术入门 从大数据到人工智能的内容