科技 类型
可以朗读 语音朗读
170千字 字数
2019-04-01 发行日期
展开全部

主编推荐语

大数据智能技术全景分析，提炼关键问题与对策。

内容简介

面对庞杂的大数据智能技术生态，本书对大数据智能的关键技术、问题瓶颈及发展趋势进行了专业解读，首次提出了大数据和人工智能技术融合发展这一主题，并对大数据和人工智能的融合服务架构和关键技术进行了深入剖析和研究；首次提出了敏捷大数据方法论，并从技术、架构、算法及行业独角兽产品探索等方面来探讨和重塑大数据和人工智能技术体系。基于上述方面内容，本书从业务到技术，从个人学习、企业应用到政府治理，希望能帮助读者抽丝剥茧、拨开技术迷雾，洞察大数据和人工智能的全景视图，构建完整的大数据智能知识结构与技术体系，并点出大数据智能学习、应用和管理过程中的关键问题及对策。

目录

  • 封面
  • 作者介绍
  • 版权页
  • 自序
  • 目录
  • 第1章 大数据智能概论
  • 1 大数据现象的本质
  • 大数据源起：先知的诱惑
  • 从《琅琊榜》看大数据本质
  • 2 大数据是个“筐”，什么都能往里装
  • 大数据技术业务概览
  • 为什么叫大数据智能
  • 3 何谓大数据智能
  • 图灵的智能之问
  • 大数据如何助力人工智能
  • 大数据智能的深度融合之路
  • 4 大数据智能三要素
  • 数据：智能燃料
  • 算法：智能引擎
  • 算力：智能加速
  • 5 大数据智能的马太效应
  • DT技术新解
  • 强者越强，弱者越弱
  • 挑战才刚刚开始
  • 第2章 多维度解构大数据智能技术
  • 1 “四位一体”看大数据智能
  • 大数据智能技术的四个维度
  • 云计算的支撑地位
  • 2 大数据智能产业链版图
  • 百家争鸣的DT生态
  • 开源的巨大推动力
  • 3 大数据智能的关键技术体系
  • 大数据智能总体应用架构
  • 大数据智能的基础支撑技术
  • 大数据智能应用流程优化
  • 4 从数据科学看大数据智能
  • 什么是数据科学
  • 数据科学的核心技术
  • 数据科学的技术体系
  • 数据科学的艺术
  • 5 从商业智能看大数据智能
  • 商业智能应用的问题
  • BI如何借力大数据智能
  • 大数据智能与BI的融合之路
  • 6 智能时代的基础信息架构
  • DT基础设施：云端—数据—智能
  • Hadoop大数据管理：“三个臭皮匠，赛过诸葛亮”
  • OpenStack云计算：一切皆服务
  • TensorFlow深度学习：流动的张量
  • 第3章 大数据驱动的深度智能
  • 1 深度学习的崛起
  • 早期AI的发展
  • “猫”“狗”AI的野蛮生长
  • 深度学习正在重塑机器智能
  • 2 机器如何智能：从感知到认知
  • 何谓机器智能
  • 机器智能的三个层次
  • 智能技术及应用体系
  • 3 机器如何学习：从知识到数据
  • 符号派AI的瓶颈
  • 浅层学习：小数据驱动的机器学习1.0
  • 深度学习：大数据驱动的机器学习2.0
  • 4 机器学习五大学派
  • 机器学习主流方向
  • 机器学习算法不完全概览
  • 机器学习技术选型
  • 5 神经网络的“三起两落”
  • 神经元与神经网络
  • 神经网络研究的泡沫与价值
  • 6 深度学习原理及核心网络结构
  • 机器如何深度学习
  • 自动特征工程：抽象与迭代
  • 深度学习的关键词
  • 深度学习的主流网络结构
  • 7 深度强化学习：深度感知+强化决策
  • 什么是强化学习
  • AlphaGo的深度强化策略
  • 8 深度学习的“深度”价值
  • 类脑学习参考
  • 无监督自动特征工程
  • 多种学习方式的融合
  • 9 深度学习的瓶颈与挑战
  • 如何从感知到认知
  • 如何从监督学习到无监督学习
  • 学习方式及应用场景的局限
  • 多模态、多任务增量学习和模型重用
  • 可解释性、安全性与鲁棒性
  • 大数据、大模型与计算资源的瓶颈
  • 第4章 敏捷大数据智能
  • 1 为什么需要敏捷
  • 大数据应用落地的瓶颈
  • 敏捷大数据的重要性
  • 2 敏捷大数据方法论
  • 精益与敏捷思想
  • 敏捷大数据定义及核心原则
  • “大”数据“小”应用
  • 敏捷大数据应用流程
  • 3 微服务、容器与数据融合
  • 微服务与容器技术
  • 多层次数据融合技术
  • 4 敏捷大数据智能技术架构
  • 5 结论与展望
  • 第5章 大数据智能“独角兽”探秘
  • 1 Palantir的本体人机共生
  • B2B大数据领域的“独角兽”
  • Palantir的产品体系及应用案例
  • Palantir架构设计：敏捷大数据的优美实现
  • Palantir数据融合：本体论与数据索引映射
  • Palantir智能计算：多维关联挖掘与全链分析
  • Palantir人机交互：动态可视化与人机共生
  • 总结与启示
  • 2 Google的深度智能样板工程
  • “狗”的诞生
  • AlphaGo的“类脑学习”框架
  • AlphaGo“零”的进化
  • 总结与启示
  • 3 IBM的认知智能
  • Watson的源起
  • 认知智能与自然语言理解
  • Watson的认知智能平台架构
  • Watson DeepQA关键技术
  • Watson认知智能的强与弱
  • 总结与启示
  • 4 TensorFlow的Android式进化
  • TensorFlow的开源
  • 为什么要讲Android
  • Google云端大数据智能战略
  • 总结与启示
  • 第6章 大数据智能个人学习篇：入门与实践
  • 1 智能时代的学习革命
  • 机器智能的助力
  • 牛津大学的职业淘汰率研究
  • 2 大数据智能技术“盲人摸象”
  • 3 大数据智能“3+3”学习路线
  • 学习的三个阶段：把握技术发展的时间线
  • 学习的三种方式：应用导向是关键
  • 4 如何避免大数据智能学习的误区
  • 要业务驱动，不要技术驱动
  • 要以点带面，不要贪大求全
  • 要善用开源技术，不要重“造轮子”
  • 要勇于实践，不要纸上谈兵
  • 5 Kaggle，众包与大数据教育
  • 6 三种核心职业角色
  • 数据分析师：重在业务理解和探索
  • 数据工程师：重在数据管理和系统实现
  • 数据科学家：重在解决问题和统筹决策
  • 7 理性看待所谓的“风口”
  • 第7章 大数据智能企业应用篇：战略与规划
  • 1 智能时代的商业革命
  • 2 大数据智能应用全周期模型
  • 3 如何避免大数据智能应用的陷阱
  • 第一问：我属于什么级别的“玩家”
  • 第二问：大数据于我是伪需求还是真需求
  • 第三问：如何自行定位大数据应用价值
  • 第四问：技术驱动、数据驱动还是业务场景驱动
  • 第五问：我是否准备好打一场大数据应用持久战
  • 第六问：我是否清楚大数据偏见、技术局限与管理风险
  • 4 大数据应用战略
  • 第8章 大数据智能政府管理篇：治理与决策
  • 1 智能时代的治理革命
  • 2 政务大数据治理挑战
  • 第一问：如何处理集中与开放的矛盾
  • 第二问：如何推进政务大数据治理和决策优化
  • 第三问：如何降低政务数据治理带来的负面影响
  • 3 政务大数据治理与应用框架
  • 管理和治理是基础
  • 技术和算法是手段
  • 决策和服务是目的
  • 4 政务大数据决策安全
  • 国防决策安全
  • 公共决策安全
  • 经济决策安全
  • 科技决策安全
  • 5 应用标准与落地应用的悖论
  • 数据安全标准
  • 数据质量标准
  • 数据交互标准
  • 数据开放标准
  • 6 政务治理的现代化
  • 第9章 结语
  • 1 认知泡沫与应用价值
  • 2 机器智能与人类智能
  • 3 人技融合，学以“治”用
  • 4 智能时代，我们将走向何方
  • 致谢
  • 反侵权盗版声明
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。