大數(shù)據(jù)智能核心技術入門：從大數(shù)據(jù)到人工智能

第1章 大數(shù)據(jù)智能概論 1
1 大數(shù)據(jù)現(xiàn)象的本質(zhì) 1
大數(shù)據(jù)源起：先知的誘惑 1
從《瑯琊榜》看大數(shù)據(jù)本質(zhì) 3
2 大數(shù)據(jù)是個“筐”，什么都能往里裝 5
大數(shù)據(jù)技術業(yè)務概覽 6
為什么叫大數(shù)據(jù)智能 7
3 何謂大數(shù)據(jù)智能 7
圖靈的智能之問 7
大數(shù)據(jù)如何助力人工智能 9
大數(shù)據(jù)智能的深度融合之路 11
4 大數(shù)據(jù)智能三要素 12
數(shù)據(jù)：智能燃料 13
算法：智能引擎 14
算力：智能加速 15
5 大數(shù)據(jù)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(zhàn)才剛剛開始 19
第2章 多維度解構大數(shù)據(jù)智能技術 21
1 “四位一體”看大數(shù)據(jù)智能 21
大數(shù)據(jù)智能技術的四個維度 22
云計算的支撐地位 24
2 大數(shù)據(jù)智能產(chǎn)業(yè)鏈版圖 26
百家爭鳴的DT生態(tài) 27
開源的巨大推動力 29
3 大數(shù)據(jù)智能的關鍵技術體系 31
大數(shù)據(jù)智能總體應用架構 31
大數(shù)據(jù)智能的基礎支撐技術 34
大數(shù)據(jù)智能應用流程優(yōu)化 39
4 從數(shù)據(jù)科學看大數(shù)據(jù)智能 43
什么是數(shù)據(jù)科學 43
數(shù)據(jù)科學的核心技術 44
數(shù)據(jù)科學的技術體系 47
數(shù)據(jù)科學的藝術 48
5 從商業(yè)智能看大數(shù)據(jù)智能 50
商業(yè)智能應用的問題 50
BI如何借力大數(shù)據(jù)智能 52
大數(shù)據(jù)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(shù)據(jù)―智能 54
Hadoop大數(shù)據(jù)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(shù)據(jù)驅(qū)動的深度智能 63
1 深度學習的崛起 63
早期AI的發(fā)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(shù)據(jù) 73
符號派AI的瓶頸 73
淺層學習：小數(shù)據(jù)驅(qū)動的機器學習1．0 76
深度學習：大數(shù)據(jù)驅(qū)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(jīng)網(wǎng)絡的“三起兩落” 90
神經(jīng)元與神經(jīng)網(wǎng)絡 90
神經(jīng)網(wǎng)絡研究的泡沫與價值 92
6 深度學習原理及核心網(wǎng)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(wǎng)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(jiān)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(zhàn) 113
如何從感知到認知 114
如何從監(jiān)督學習到無監(jiān)督學習 114
學習方式及應用場景的局限 115
多模態(tài)、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(shù)據(jù)、大模型與計算資源的瓶頸 118
第4章 敏捷大數(shù)據(jù)智能 121
1 為什么需要敏捷 121
大數(shù)據(jù)應用落地的瓶頸 121
敏捷大數(shù)據(jù)的重要性 123
2 敏捷大數(shù)據(jù)方法論 126
精益與敏捷思想 127
敏捷大數(shù)據(jù)定義及核心原則 130
“大”數(shù)據(jù)“小”應用 132
敏捷大數(shù)據(jù)應用流程 132
3 微服務、容器與數(shù)據(jù)融合 134
微服務與容器技術 134
多層次數(shù)據(jù)融合技術 137
4 敏捷大數(shù)據(jù)智能技術架構 139
5 結論與展望 144
第5章 大數(shù)據(jù)智能“獨角獸”探秘 146
1 Palantir的本體人機共生 146
B2B大數(shù)據(jù)領域的“獨角獸” 146
Palantir的產(chǎn)品體系及應用案例 147
Palantir架構設計：敏捷大數(shù)據(jù)的優(yōu)美實現(xiàn) 151
Palantir數(shù)據(jù)融合：本體論與數(shù)據(jù)索引映射 152
Palantir智能計算：多維關聯(lián)挖掘與全鏈分析 155
Palantir人機交互：動態(tài)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(shù)據(jù)智能戰(zhàn)略 175
總結與啟示 177
第6章 大數(shù)據(jù)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(yè)淘汰率研究 179
2 大數(shù)據(jù)智能技術“盲人摸象” 181
3 大數(shù)據(jù)智能“3+3”學習路線 183
學習的三個階段：把握技術發(fā)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(shù)據(jù)智能學習的誤區(qū) 189
要業(yè)務驅(qū)動，不要技術驅(qū)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(shù)據(jù)教育 193
6 三種核心職業(yè)角色 194
數(shù)據(jù)分析師：重在業(yè)務理解和探索 196
數(shù)據(jù)工程師：重在數(shù)據(jù)管理和系統(tǒng)實現(xiàn) 196
數(shù)據(jù)科學家：重在解決問題和統(tǒng)籌決策 197
7 理性看待所謂的“風口” 198
第7章 大數(shù)據(jù)智能企業(yè)應用篇：戰(zhàn)略與規(guī)劃 201
1 智能時代的商業(yè)革命 201
2 大數(shù)據(jù)智能應用全周期模型 203
3 如何避免大數(shù)據(jù)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(shù)據(jù)于我是偽需求還是真需求 207
第三問：如何自行定位大數(shù)據(jù)應用價值 208
第四問：技術驅(qū)動、數(shù)據(jù)驅(qū)動還是業(yè)務場景驅(qū)動 209
第五問：我是否準備好打一場大數(shù)據(jù)應用持久戰(zhàn) 210
第六問：我是否清楚大數(shù)據(jù)偏見、技術局限與管理風險 213
4 大數(shù)據(jù)應用戰(zhàn)略 214
第8章 大數(shù)據(jù)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(shù)據(jù)治理挑戰(zhàn) 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(shù)據(jù)治理和決策優(yōu)化 219
第三問：如何降低政務數(shù)據(jù)治理帶來的負面影響 220
3 政務大數(shù)據(jù)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(shù)據(jù)決策安全 224
國防決策安全 224
公共決策安全 224
經(jīng)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(shù)據(jù)安全標準 227
數(shù)據(jù)質(zhì)量標準 227
數(shù)據(jù)交互標準 227
數(shù)據(jù)開放標準 228
6 政務治理的現(xiàn)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