涕零
A. 大数据、BI、AI，三者之间的关系是什么
数据是企业的生产资料，BI帮助企业梳理生产关系，而AI则是一种更先进的生产力内，它能够帮助把容业务专家、数据分析师等人所积累的业务经验和知识，固化到系统，进而使它演变成企业长久的数据资产。观远数据AI+BI的商业智能解决方案正是基于这种理念下的产物。观远数据首创性地提出一整套从BI（基础分析）到AI（智能决策）的完整“5A”落地路径方法论，立足于自身在基础数据分析的出色实力，引入AI预测引擎填补了传统人工运营的前瞻性与实用性，助力企业构建最强决策大脑。目前观远数据已与联合利华、百威英博、迪卡侬等知名零售客户达成众多优秀的数据分析与AI技术深度融合的商业落地解决方案。
B. 深度学习与神经网络有什么区别
作者：杨延生来源：知乎"深度学习"是为了让层数较多的多层神经网络可以训练，能够work而演化出来的一系列的 新的结构和新的方法。新的网络结构中最著名的就是CNN，它解决了传统较深的网络参数太多，很难训练的问题，使用了“局部感受野”和“权植共享”的概念，大大减少了网络参数的数量。关键是这种结构确实很符合视觉类任务在人脑上的工作原理。新的结构还包括了：LSTM，ResNet等。新的方法就多了：新的激活函数：ReLU，新的权重初始化方法（逐层初始化，XAVIER等），新的损失函数，新的防止过拟合方法（Dropout, BN等）。这些方面主要都是为了解决传统的多层神经网络的一些不足：梯度消失，过拟合等。———————- 下面是原答案 ————————从广义上说深度学习的网络结构也是多层神经网络的一种。传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。而深度学习中最著名的卷积神经网络CNN，在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层，而且加入的是一个层级。 输入层 – 卷积层 -降维层 -卷积层 – 降维层 — …. — 隐藏层 -输出层简单来说，原来多层神经网络做的步骤是：特征映射到值。特征是人工挑选。深度学习做的步骤是 信号->特征->值。 特征是由网络自己选择。
C. 深度学习和大数据有什么关系
深度学习是多层次的人工神经网络的建立和利用。在最简单的术语中，你可以把它看回作是高度非答线性的级联模型，例如多层规则和最后的逻辑回归。这是一个非常复杂的体系结构，最后的结果是分类（离散结果）或回归（连续结果）。一般来说，这些模型需要有大数据的支持，并且需要对超参数（hyper parameters）、正则化等大量的精细调节。应用包括基于CNN（convolutional neural networks卷积神经网络）的计算机视觉和图像识别；自动翻译（基于NLP技术，例如长短期记忆模型）。其实深度学习的基础理论其实在几十年前就有了，为什么一直没有发展起来呢？因为它受到两个条件的制约，一个是数据量，一个是机器的运算能力。在数量比较小的情况下，传统的机器学习方法就能够取得较好的效果。但是随着数据量不断的增加，当达到某个临界值之后，传统机器学习方法的效果就不会再有提升了。而深度学习模型的效果则会随着数据量的显著增加而获得明显的提升。也就是说，深度学习方法能够最大限度地发挥出大数据的价值！所以大数据的发展促进了深度学习的崛起，而深度学习又放大了数据的价值，他们两个相互促进，相辅相成的。
D. 「大数据」和「深度学习」有什么区别
简单来说：1）深度学习（ Learning）只是机器学习（Machine Learning）的一种类别，一个子领域。机器学习 > 深度学习2）大数据（Big Data）不是具体的方法，甚至不算具体的研究学科，而只是对某一类问题，或需处理的数据的描述具体来说：1）机器学习（Machine Learning）是一个大的方向，里面包括了很多种 approach，比如 deep learning, GMM, SVM, HMM, dictionary learning, knn, Adaboosting…不同的方法会使用不同的模型，不同的假设，不同的解法。这些模型可以是线性，也可以是非线性的。他们可能是基于统计的，也可能是基于稀疏的….不过他们的共同点是：都是 data-driven 的模型，都是学习一种更加 abstract 的方式来表达特定的数据，假设和模型都对特定数据广泛适用。好处是，这种学习出来的表达方式可以帮助我们更好的理解和分析数据，挖掘数据隐藏的结构和关系。Machine Learning 的任务也可以不同，可以是预测（prediction），分类（classification），聚类（clustering），识别（recognition），重建（reconstruction），约束（regularization），甚至降噪（denoising），超分辨（super-resolution），除马赛克（Demosaicing）等等….2）深度学习（Deep Learning）是机器学习的一个子类，一般特指学习高层数的网络结构。这个结构中通常会结合线性和非线性的关系。Deep Learning 也会分各种不同的模型，比如 CNN, RNN, DBN…他们的解法也会不同。Deep Learning 目前非常流行，因为他们在图像，视觉，语音等各种应用中表现出了很好的 empirical performance。并且利用 gpu 的并行运算，在模型相当复杂，数据特别大量的情况下，依然可以达到很理想的学习速度。因为 Deep Learning 往往会构建多层数，多节点，多复杂度的模型，人们依然缺乏多里面学习的结构模型的理解。很多时候，Deep Learning 甚至会被认为拥有类似于人类神经网络的结构，并且这种类似性被当做 deep learning 居然更大 potential 的依据。但答主个人认为，其实这略有些牵强…听起来更像是先有了这种 network 的结构，再找一个类似性。当然，这仅仅是个人观点…（私货私货）3）大数据（Big Data，我们也叫他逼格数据….）是对数据和问题的描述。通常被广泛接受的定义是 3 个 V 上的“大”：Volume（数据量）, Velocity（数据速度）还有 variety（数据类别）。大数据问题（Big-data problem）可以指那种在这三个 V 上因为大而带来的挑战。Volume 很好理解。一般也可以认为是 Large-scale data（其实学术上用这个更准确，只是我们出去吹逼的时候就都叫 big data 了…）。“大”可以是数据的维度，也可以是数据的 size。一般 claim 自己是 big-data 的算法会比较 scalable，复杂度上对这两个不敏感。算法和系统上，人们喜欢选择并行（Parallel），分布（distributed）等属性的方法来增加 capability。ITjob—-采集
E. 大数据和人工智能哪一个前景更好零基础学习要多久
大数据和人工智能在概念上是包含关系大数据和云计算是实现人工智能的左膀和右臂。你上计算机专业的大学的话，一般的话大数据专业4年就够了，人工智能的话还要读研。
F. 大数据和人工智能有什么关系呀
大数据是描述大量数据（包括结构化数据和非结构化数据）的术语，它们每天都会覆盖大量业务。但重要的不是数据量。这是组织对重要数据的处理方式。可以分析大数据的洞察力，从而获得更好的决策和战略性业务变动。人工智能是对让计算机展现出智慧的方法的研究。计算机在获得正确方向后可以高效工作，在这里，正确的方向意味着最有可能实现目标的方向，用术语来说就是最大化效果预期。人工智能需要处理的任务包括学习、推理、规划、感知、语言识别和机器人控制等。云计算，英文名称：cloudcomputing，是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。通俗来讲，云计算是一种通过网络以服务的方式提供动态可伸缩的IT资源的计算模式。近年来，云计算凭借其灵活配置、资源利用率高和节省成本的优势，正逐渐颠覆传统IT行业的部署模式。2019年是中国云计算产业的拐点，政策+产业+资本全方位共振，云计算产业需求进入加速增长期，云计算行业相关上市公司业绩增长得到进一步上升，对于后市，各大机构也纷纷表示看好。云计算、大数据、人工智能是相辅相成的，三者缺少了谁都不行。现在有人称之为大数据时代，也有人称之为智能时代。个人认为称之为"大数据时代"或"智能时代"都是可以的，未来的人工智能将会代替人类多项工作。那为什么称之为"大数据时代"也是可以的呢？因为，人工智能是建立在大数据的基础上的，没有大数据的支持人工智能将无法实现智能。而且人工智能只是大数据的一个很小的应用方向，大数据有众多的应用方向！将来会覆盖全行业乃至影响人类文明。所以称之为"大数据时代"也是可以的。人工非要挑出一个时代概念来讲，那么就是"大数据时代"。
G. 把神经网络和大数据技术与人类智慧做对比是否恰当
摘要马斯克说未来5年人工智能会超越人类，你相信吗？很可惜今天的人工智能还很笨，我们先了解一下它的原理。人工智能由算法,算力和大数据三部分组成，如果把人工智能比作f1赛车的话算法或者叫人类设定的计算程序就是经验丰富的赛车手，在他的脑子里早就知道哪里加速，哪里减速，哪里超车，而以芯片为核心的算力就是赛车的发动机。要跑得快，发动机必须动力十足，最后是大数据，它就等同于汽油，是人工智能的能源，没有汽油再好的马达再顶尖的车手都没办法驰骋赛道。
H. 大数据和数据挖掘什么区别
传统来的数据挖掘就是在数据中寻自找有价值的规律，这和现在热炒的大数据在方向上是一致的。只不过大数据具有“高维、海量、实时”的特点，就是说数据量大，数据源和数据的维度高，并且更新迅速的特点，传统的数据挖掘技术可能很难解决，需要从算法的改进（提升算法对大数据的处理能力）和方案的框架（分解任务，把大数据分析拆解成若干小单元加以解决，或者通过规律的提取，把重复出现的数据加以整合等等）等多方面去提升处理能力。所以，可以理解成大数据是场景是问题，而数据挖掘是手段。
I. 大数据 和 数据挖掘 的区别
大数据概念：大数据是近两年提出来的，有三个重要的特征：数据量大，结构复杂，数据更新速度很快。由于Web技术的发展，web用户产生的数据自动保存、传感器也在不断收集数据，以及移动互联网的发展，数据自动收集、存储的速度在加快，全世界的数据量在不断膨胀，数据的存储和计算超出了单个计算机(小型机和大型机)的能力，这给数据挖掘技术的实施提出了挑战（一般而言，数据挖掘的实施基于一台小型机或大型机，也可以进行并行计算）。
数据挖掘概念: 数据挖掘基于数据库理论，机器学习，人工智能，现代统计学的迅速发展的交叉学科，在很多领域中都有应用。涉及到很多的算法，源于机器学习的神经网络，决策树，也有基于统计学习理论的支持向量机，分类回归树，和关联分析的诸多算法。数据挖掘的定义是从海量数据中找到有意义的模式或知识。
大数据需要映射为小的单元进行计算，再对所有的结果进行整合，就是所谓的map-rece算法框架。在单个计算机上进行的计算仍然需要采用一些数据挖掘技术，区别是原先的一些数据挖掘技术不一定能方便地嵌入到 map-rece 框架中，有些算法需要调整。
大数据和数据挖掘的相似处或者关联在于： 数据挖掘的未来不再是针对少量或是样本化，随机化的精准数据，而是海量，混杂的大数据，数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断。
拓展资料：
大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据指不用随机分析法（抽样调查）这样捷径，而采用所有数据进行分析处理。大数据的5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。