大数据智能核心技术入门：从大数据到人工智能

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1．0 76
深度学习：大数据驱动的机器学习2．0 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