99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁精彩閱讀數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，人工智能的簡單區(qū)別分析
數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，人工智能的簡單區(qū)別分析
2018-07-02
收藏

數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，人工智能的簡單區(qū)別分析

數(shù)據(jù)挖掘(data mining)，機(jī)器學(xué)習(xí)(machine learning)，和人工智能(AI)的區(qū)別是什么？ 數(shù)據(jù)科學(xué)(data science)和商業(yè)分析(business analytics)之間有什么關(guān)系？

本來我以為不需要解釋這個問題的，到底數(shù)據(jù)挖掘(data mining)，機(jī)器學(xué)習(xí)(machine learning)，和人工智能(AI)有什么區(qū)別，但是前幾天因為有個學(xué)弟問我，我想了想發(fā)現(xiàn)我竟然也回答不出來，我在知乎和博客上查了查這個問題，發(fā)現(xiàn)還沒有人寫過比較詳細(xì)和有說服力的對比和解釋。那我根據(jù)以前讀的書和論文，還有和與導(dǎo)師之間的交流，嘗試著說一說這幾者的區(qū)別吧，畢竟一個好的定義在未來的學(xué)習(xí)和交流中能夠發(fā)揮很大的作用。同時補(bǔ)上數(shù)據(jù)科學(xué)和商業(yè)分析之間的關(guān)系。能力有限，如有疏漏，請包涵和指正。

導(dǎo)論

本文主要分為兩部分，第一部分闡述數(shù)據(jù)挖掘(data mining)，機(jī)器學(xué)習(xí)(machine learning)，和人工智能(AI)之間的區(qū)別。這三者的區(qū)別主要是目的不同，其手段(算法，模型)有很大的重疊，所以容易混淆。第二部分主要闡述以上的技能與數(shù)據(jù)科學(xué)(data science)的關(guān)系，以及數(shù)據(jù)科學(xué)(data science)和商業(yè)分析(business analytics)之間的關(guān)系。其實，數(shù)據(jù)科學(xué)家本身就是商業(yè)分析師在大數(shù)據(jù)時代的延伸。


數(shù)據(jù)挖掘VS. 機(jī)器學(xué)習(xí)VS. 人工智能

數(shù)據(jù)挖掘 (data mining): 有目的地從現(xiàn)有大數(shù)據(jù)中提取數(shù)據(jù)的模式(pattern)和模型(model)

數(shù)據(jù)挖掘是從現(xiàn)有的信息(existing information)中提取數(shù)據(jù)的模式(pattern)和模型(model)，即精選出最重要的信息，以用于未來機(jī)器學(xué)習(xí)和AI的數(shù)據(jù)使用。其核心目的是找到數(shù)據(jù)變量之間的關(guān)系。其發(fā)展出來的主要原因是大數(shù)據(jù)的發(fā)展，用傳統(tǒng)的數(shù)據(jù)分析的方式已經(jīng)無能處理那么多大量的看似不相關(guān)的數(shù)據(jù)的處理，因此需要數(shù)據(jù)挖掘技術(shù)去提取各種數(shù)據(jù)和變量之間的相互關(guān)系，從而精煉數(shù)據(jù)。
數(shù)據(jù)挖掘本質(zhì)上像是機(jī)器學(xué)習(xí)和人工智能的基礎(chǔ)，他的主要目的是從各種各樣的數(shù)據(jù)來源中，提取出超集(superset)的信息，然后將這些信息合并讓你發(fā)現(xiàn)你從來沒有想到過的模式和內(nèi)在關(guān)系。這就意味著，數(shù)據(jù)挖掘不是一種用來證明假說的方法，而是用來構(gòu)建各種各樣的假說的方法。數(shù)據(jù)挖掘不能告訴你這些問題的答案，他只能告訴你，A和B可能存在相關(guān)關(guān)系，但是它無法告訴你A和B存在什么相關(guān)關(guān)系。

當(dāng)然，數(shù)據(jù)挖掘會使用大量機(jī)器學(xué)習(xí)的算法，但是其特定的環(huán)境和目的和機(jī)器學(xué)習(xí)不太一樣。

機(jī)器學(xué)習(xí)(machine learning): 自動地從過往的經(jīng)驗中學(xué)習(xí)新的知識。

機(jī)器學(xué)習(xí)其實是人工智能很重要的一部分，因為目前，在實踐過程中，大多數(shù)的人工智能處理的任務(wù)，其實是用機(jī)器學(xué)習(xí)的方式完成的。機(jī)器學(xué)習(xí)可以用程序和算法自動地學(xué)習(xí)，只要被設(shè)計好了，這個程序可以進(jìn)行自我優(yōu)化。同時，機(jī)器學(xué)習(xí)需要一定數(shù)量的訓(xùn)練數(shù)據(jù)集(training data set)，用于構(gòu)建來自過往經(jīng)驗的“知識” 。

且機(jī)器學(xué)習(xí)目前在實踐中最重要的功能便是預(yù)測結(jié)果。比如機(jī)器學(xué)習(xí)已經(jīng)學(xué)習(xí)結(jié)束了，現(xiàn)在有一個新的數(shù)據(jù)集x，需要預(yù)測其分類，機(jī)器學(xué)習(xí)算法會根據(jù)這個新數(shù)據(jù)與學(xué)習(xí)后的“知識”相匹配(實際上，知識指的是學(xué)習(xí)后的數(shù)學(xué)模型)，然后將這個數(shù)據(jù)集x分類某類C去。再比較常見的機(jī)器學(xué)習(xí)，比如amazon的推薦系統(tǒng)。

人工智能(AI): 一個廣泛的概念，本質(zhì)是用數(shù)據(jù)和模型去為現(xiàn)有的問題(existing problems)提供解決方法(solutions).

人工智能是一個與機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘相對不同的概念，人工智能的目的是為了去創(chuàng)造有智力的電腦(不知道怎么翻譯好，可以假設(shè)其為機(jī)器人)。在實踐中，我們希望這個電腦可以像有智力的人一樣處理一個任務(wù)。因此，理論上人工智能幾乎包括了所有和機(jī)器能做的內(nèi)容，當(dāng)然也包括了數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的內(nèi)容，同時還會有監(jiān)視(monitor)和控制進(jìn)程(process control)的內(nèi)容。


數(shù)據(jù)科學(xué)(data science)和商業(yè)分析(business analytics)的關(guān)系？

其實以前，我們是沒有數(shù)據(jù)科學(xué)家(data scientist)，和數(shù)據(jù)科學(xué)(data science)這個概念的。我們稱呼做相關(guān)內(nèi)容的方式更多叫商業(yè)分析(business analytics)。

在2011年的時候，麥肯錫發(fā)表了《Big Data: the next frontier for innovation, competition, and productivity》提出了現(xiàn)在很多的公司已經(jīng)開始往分析才能(analytical talent)中獲得競爭優(yōu)勢。雖然這不是第一篇提出這個概念的公司，但是是第一次提出，數(shù)據(jù)分析能力也有助于商業(yè)公司去發(fā)現(xiàn)潛在的機(jī)會，而不僅僅只對技術(shù)公司有效。接著麥肯錫認(rèn)為到了2018年，美國大約會有190,000的項目缺少“深度分析能力(Deep Analytical Talent)”，而這些深度分析能力，是由大數(shù)據(jù)(big data)驅(qū)動的。至此，麥肯錫將”商業(yè)分析”進(jìn)一步形容為”深度分析能力”。

接著DJ Patil和Jeff Hammerbacher在其寫的《Building Data Science Teams》,將麥肯錫的“深度分析能力”稱為了“數(shù)據(jù)科學(xué)家(data scientists)”。他們在文中提到：

商業(yè)分析師(business analyst)看起來太局限了，數(shù)據(jù)分析師(data anlyst)是他們的競爭者，但是我們還是覺得這個稱呼太局限了。....我們認(rèn)為最好的稱呼應(yīng)該是”數(shù)據(jù)科學(xué)家(data scientist)”，因為這些人需要同時使用數(shù)據(jù)(data)和科學(xué)(science)去創(chuàng)造一些新的東西。

緊接著，DJ Patil加了一些關(guān)鍵特點用于去尋找一個數(shù)據(jù)科學(xué)家(data scientist):
  1. 專業(yè)技術(shù)(Technical expertise): 最好的數(shù)據(jù)科學(xué)家需要有關(guān)于某些科學(xué)學(xué)科的深度專業(yè)知識(deep expertise)。
  2. 好奇心(Curiosity): 一個優(yōu)秀的數(shù)據(jù)科學(xué)家需要有挖掘潛在關(guān)系，解決問題和證明假說的強(qiáng)烈好奇心和渴望。
  3. 講故事的能力(Storytelling): 能用數(shù)據(jù)講一個生動的故事的能力，它能使交流更加有效。
  4. 聰明(Cleverness): 能夠創(chuàng)造性地解決問題的能力。
隨后，數(shù)據(jù)科學(xué)家這個概念才開始被廣為流傳。那么數(shù)據(jù)科學(xué)家需要具備哪些專業(yè)能力？不同的公司有不同的看法和意見(反正大家好像都喜歡把所有一切的期許都放在一個新興的行業(yè)中)，這里列舉一個比較流行的看法：
1.Drew Conway’s Data Scientist Venn Diagram
2.Drew Tierney’s Multi-disciplinary Diagram
3.Gartner
最后附贈一張“作弊紙”，列出幾乎所有的商業(yè)問題(Business Problems)，想要入門成為一個優(yōu)秀的商業(yè)分析師，或者是數(shù)據(jù)科學(xué)家，強(qiáng)烈推薦保存?。。。。。。。。。。?！以后有時間，我會嘗試著逐一翻譯和解說一下。

數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼，搜微信號：CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機(jī)數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進(jìn)行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務(wù)器是否宕機(jī) new_captcha: data.new_captcha, // 用于宕機(jī)時表示是新驗證碼的宕機(jī) product: "float", // 產(chǎn)品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }