大數據智能核心技術入門:從大數據到人工智能 ( 簡體 字) |
作者:杜圣東 | 類別:1. -> 程式設計 -> 大數據 |
譯者: |
出版社:電子工業出版社 | 3dWoo書號: 51053 詢問書籍請說出此書號!【缺書】 NT售價: 245 元 |
出版日:4/1/2019 |
頁數:246 |
光碟數:0 |
|
站長推薦: |
印刷:黑白印刷 | 語系: ( 簡體 版 ) |
|
加入購物車 │加到我的最愛 (請先登入會員) |
ISBN:9787121356841 |
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
作者序: |
譯者序: |
前言:自序 我們所生活的世界,就像一片數據混沌(Data Chaos),大數據爆炸式增長并以驚人的速度進行傳播,社交網絡的實時性打破了數據發布的時空限制,信息流動的速度、廣度和深度讓傳統管理決策模式面臨挑戰,還有科技高速發展所帶來的沖擊都在加大未來的不確定性。如何從數據混沌中發現規律,成為預測未來的“先知”,是歷代人類的夢想。不管是古人的占卜,前幾年的專家系統、數據挖掘、商業智能,還是當下的機器學習、人工智能、深度學習等技術應用,都源于降低未來的不確定性這一本源需求。軟件在加速吞噬物理世界,大數據在淹沒我們有限的大腦認知,而大部分人對其技術原理和特性卻知之甚少。我們寄希望于大數據智能技術這根“救命稻草”,幫助我們面向過去,發現數據規律,歸納已知;面向未來,學習數據趨勢,預測未知,從而提升對事物的理解和決策處置能力。然而,要達到這一目標并不容易,人工智能發展60年,進展緩慢,直到現在才出現些許曙光。 DT(Data Technology)時代,大數據驅動的人工智能技術生逢其時,從戰勝人類頂尖棋手、幫助發現引力波到自動駕駛、精準醫療、安全防控等,就像望遠鏡改變了我們對宇宙的看法,顯微鏡改變了我們對微觀世界的認知,而通過大數據智能技術來解構我們親手塑造的數字世界,代表了一種新的認知范式。可以預見的是,隨著深度智能技術的高速發展和這一撥“貓”“狗”AI工程的野蠻生長,人類正在大踏步邁入大數據智能時代。面對興起的大數據智能熱潮,如何應對新興技術應用帶來的挑戰?我們又有多少深入的理解?對于技術、架構、算法、倫理、趨勢知多少?甲骨文CEO Larry Ellison(拉里·埃里森)曾說過:“信息科技是唯一能媲美好萊塢的產業,技術明星可能比熒幕明星隕落得更快。”前沿信息技術從來不缺流行詞,從IT到DT,從移動互聯網到物聯網,從云計算到框計算,從數據庫到數據湖,從云存儲到區塊鏈,從大數據到大數據智能。當談及人工智能時,更是這樣,有機器智能,還有計算智能;有機器學習,還有深度學習;有感知計算,還有認知計算;有Watson還有AlphaGo;有TensorFlow還有Pytorch。一堆眼花繚亂的技術名詞和系統框架,讓人云里霧里,內行要全面掌握已是困難重重,外行要摸出門道,可謂難上加難。 面對龐雜的大數據智能科學與技術生態體系,還有眼花繚亂的技術熱詞,有的是新瓶裝舊酒,有的是全新的技術理念和架構,有的是一陣風突然冒出又很快散去,有的是三起兩落幾十年而不倒……上述種種技術我們如何快速入門,把握重點,理解本質,并有效學習和應用?這是一大挑戰!市面上的同領域作品要么偏社科解讀,浮于概念介紹;要么偏技術細節,局限于某個技術點。 如何從業務到技術,從學習到實踐,從治理到應用,抽絲剝繭、撥開數據驅動智能科學與技術迷霧,洞察大數據和人工智能相關技術生態的全景視圖,構建完整的大數據智能知識結構與技術體系?這是一大難題!筆者跟從大數據和人工智能應用的融合之路,通過分析和解讀整個數據驅動智能科學技術,希望能給讀者提供一個大數據智能核心技術體系的入門學習和應用參考指南。本書寫作初衷即基于此,無奈水平有限、涉獵有限、精力有限,難免有遺誤的地方,還望同行批評指正。如能為讀者提供一點點有益的參考,則心愿足矣。
杜圣東 2018年10月 |
內容簡介:本書跟從大數據和人工智能應用的融合之路,通過分析和解讀整個數據驅動智能核心技術,希望能給讀者提供一個大數據智能核心技術體系的入門學習和應用參考指南。本書前半部分內容重在核心技術解讀:包括大數據智能的概論、大數據智能核心技術體系的多維解讀、深度學習關鍵技術要點的分析,大數據智能應用三段論和敏捷大數據方法論的提出等內容。后半部分內容重在應用實踐的探討,深入分析了當前大數據智能獨角獸Palantir、AlphaGo、Watson等核心產品和技術,并從個人學習到工程實踐,從企業應用到政府治理,從業務理解到技術選型等多個層面,逐一解讀大數據智能技術在學習、應用過程中面臨的關鍵問題、陷阱,并給出參考意見。本書通過核心技術解讀幫助讀者學習、理解、應用大數據智能,具有重要的參考價值。本書適合的讀者包括關注大數據和人工智能相關技術領域的在校學生、個人學習者和研發工程師、技術主管、企業高管、政府管理人員等。 |
目錄:第1章 大數據智能概論 1 1 大數據現象的本質 1 大數據源起:先知的誘惑 1 從《瑯琊榜》看大數據本質 3 2 大數據是個“筐”,什么都能往里裝 5 大數據技術業務概覽 6 為什么叫大數據智能 7 3 何謂大數據智能 7 圖靈的智能之問 7 大數據如何助力人工智能 9 大數據智能的深度融合之路 11 4 大數據智能三要素 12 數據:智能燃料 13 算法:智能引擎 14 算力:智能加速 15 5 大數據智能的馬太效應 16 DT技術新解 16 強者越強,弱者越弱 18 挑戰才剛剛開始 19 第2章 多維度解構大數據智能技術 21 1 “四位一體”看大數據智能 21 大數據智能技術的四個維度 22 云計算的支撐地位 24 2 大數據智能產業鏈版圖 26 百家爭鳴的DT生態 27 開源的巨大推動力 29 3 大數據智能的關鍵技術體系 31 大數據智能總體應用架構 31 大數據智能的基礎支撐技術 34 大數據智能應用流程優化 39 4 從數據科學看大數據智能 43 什么是數據科學 43 數據科學的核心技術 44 數據科學的技術體系 47 數據科學的藝術 48 5 從商業智能看大數據智能 50 商業智能應用的問題 50 BI如何借力大數據智能 52 大數據智能與BI的融合之路 53 6 智能時代的基礎信息架構 54 DT基礎設施:云端—數據—智能 54 Hadoop大數據管理:“三個臭皮匠,賽過諸葛亮” 55 OpenStack云計算:一切皆服務 58 TensorFlow深度學習:流動的張量 59 第3章 大數據驅動的深度智能 63 1 深度學習的崛起 63 早期AI的發展 64 “貓”“狗”AI的野蠻生長 65 深度學習正在重塑機器智能 69 2 機器如何智能:從感知到認知 70 何謂機器智能 70 機器智能的三個層次 71 智能技術及應用體系 72 3 機器如何學習:從知識到數據 73 符號派AI的瓶頸 73 淺層學習:小數據驅動的機器學習1.0 76 深度學習:大數據驅動的機器學習2.0 83 4 機器學習五大學派 84 機器學習主流方向 84 機器學習算法不完全概覽 87 機器學習技術選型 88 5 神經網絡的“三起兩落” 90 神經元與神經網絡 90 神經網絡研究的泡沫與價值 92 6 深度學習原理及核心網絡結構 94 機器如何深度學習 94 自動特征工程:抽象與迭代 96 深度學習的關鍵詞 97 深度學習的主流網絡結構 100 7 深度強化學習:深度感知+強化決策 108 什么是強化學習 108 AlphaGo的深度強化策略 109 8 深度學習的“深度”價值 110 類腦學習參考 111 無監督自動特征工程 112 多種學習方式的融合 112 9 深度學習的瓶頸與挑戰 113 如何從感知到認知 114 如何從監督學習到無監督學習 114 學習方式及應用場景的局限 115 多模態、多任務增量學習和模型重用 116 可解釋性、安全性與魯棒性 116 大數據、大模型與計算資源的瓶頸 118 第4章 敏捷大數據智能 121 1 為什么需要敏捷 121 大數據應用落地的瓶頸 121 敏捷大數據的重要性 123 2 敏捷大數據方法論 126 精益與敏捷思想 127 敏捷大數據定義及核心原則 130 “大”數據“小”應用 132 敏捷大數據應用流程 132 3 微服務、容器與數據融合 134 微服務與容器技術 134 多層次數據融合技術 137 4 敏捷大數據智能技術架構 139 5 結論與展望 144 第5章 大數據智能“獨角獸”探秘 146 1 Palantir的本體人機共生 146 B2B大數據領域的“獨角獸” 146 Palantir的產品體系及應用案例 147 Palantir架構設計:敏捷大數據的優美實現 151 Palantir數據融合:本體論與數據索引映射 152 Palantir智能計算:多維關聯挖掘與全鏈分析 155 Palantir人機交互:動態可視化與人機共生 156 總結與啟示 158 2 Google的深度智能樣板工程 159 “狗”的誕生 160 AlphaGo的“類腦學習”框架 160 AlphaGo“零”的進化 162 總結與啟示 164 3 IBM的認知智能 164 Watson的源起 165 認知智能與自然語言理解 166 Watson的認知智能平臺架構 168 Watson DeepQA關鍵技術 169 Watson認知智能的強與弱 171 總結與啟示 172
4 TensorFlow的Android式進化 173 TensorFlow的開源 173 為什么要講Android 174 Google云端大數據智能戰略 175 總結與啟示 177 第6章 大數據智能個人學習篇:入門與實踐 178 1 智能時代的學習革命 178 機器智能的助力 178 牛津大學的職業淘汰率研究 179 2 大數據智能技術“盲人摸象” 181 3 大數據智能“3+3”學習路線 183 學習的三個階段:把握技術發展的時間線 183 學習的三種方式:應用導向是關鍵 186 4 如何避免大數據智能學習的誤區 189 要業務驅動,不要技術驅動 189 要以點帶面,不要貪大求全 190 要善用開源技術,不要重“造輪子” 191 要勇于實踐,不要紙上談兵 192 5 Kaggle,眾包與大數據教育 193 6 三種核心職業角色 194 數據分析師:重在業務理解和探索 196 數據工程師:重在數據管理和系統實現 196 數據科學家:重在解決問題和統籌決策 197 7 理性看待所謂的“風口” 198 第7章 大數據智能企業應用篇:戰略與規劃 201 1 智能時代的商業革命 201 2 大數據智能應用全周期模型 203 3 如何避免大數據智能應用的陷阱 207 第一問:我屬于什么級別的“玩家” 207 第二問:大數據于我是偽需求還是真需求 207 第三問:如何自行定位大數據應用價值 208 第四問:技術驅動、數據驅動還是業務場景驅動 209 第五問:我是否準備好打一場大數據應用持久戰 210 第六問:我是否清楚大數據偏見、技術局限與管理風險 213 4 大數據應用戰略 214 第8章 大數據智能政府管理篇:治理與決策 217 1 智能時代的治理革命 217 2 政務大數據治理挑戰 218 第一問:如何處理集中與開放的矛盾 219 第二問:如何推進政務大數據治理和決策優化 219 第三問:如何降低政務數據治理帶來的負面影響 220 3 政務大數據治理與應用框架 220 管理和治理是基礎 221 技術和算法是手段 222 決策和服務是目的 223 4 政務大數據決策安全 224 國防決策安全 224 公共決策安全 224 經濟決策安全 225 科技決策安全 226 5 應用標準與落地應用的悖論 226 數據安全標準 227 數據質量標準 227 數據交互標準 227 數據開放標準 228 6 政務治理的現代化 228 第9章 結語 230 1 認知泡沫與應用價值 230 2 機器智能與人類智能 231 3 人技融合,學以“治”用 234 4 智能時代,我們將走向何方 235 致謝 236 |
序: |