区块链、人工智能、图灵测试....这些大数据热词，你真的都懂吗？

AI人工智能 Artificial Intelligence

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的体例做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、天然语言处理和专家体系等。人工智能从诞生以来，理论和技术日益成熟，应用领域也赓续扩大，可以设想北京网站制作，将来人工智能带来的科技产品，将会是人类伶俐的“容器”。人工智能可以对人的意识、思维的信息过程的模仿。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

狭义来讲动物尸体运输车，区块链是一种按照时间顺序将数据区块以顺序相连的体例组合成的一 种链式数据结构， 并以密码学体例保证的不可篡改和不可伪造的分布式账本。广义来讲，区块链技术是行使块链式数据结构来验证与存储数据、行使分布式节点共识算法来生成和更新数据、行使密码学的体例保证数据传输和访问的安全、行使由主动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算范式。

图灵测试（The Turing test）由艾伦·麦席森·图灵发明，指测试者与被测试者（一小我和一台机器）隔开的情况下，通过一些装配（如键盘）向被测试者随意提问。

回归分析 regression analysis

MapReduce

贪默算法

贪默算法不是对所有题目都能得到团体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状况曩昔的过程不会影响以后的状况，只与当前状况有关。

数据发掘

数据可视化

它是一个处于赓续演变之中的概念，其边界在赓续地扩大。重要指的是技术上较为高级的技术方法，而这些技术方法许可行使图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、外观、属性以及动画的表现，对数据加以可视化诠释。与立体建模之类的特别技术方法相比，数据可视化所涵盖的技术方法要广泛得多。

分布式计算 Distributed computing

分布式架构

Hadoop是一个由Apache基金会所开发的分布式体系基础架构。

Hadoop实现了一个分布式文件体系（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的情势访问（streaming access）文件体系中的数据。

BI（Business Intelligence）即商务智能，它是一套完备的解决方案，用来将企业中现有的数据进行有用的整合，快速正确的提供报表并提出决策依据，帮助企业做出明智的营业经营决策。

商业智能能够辅助的营业经营决策，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，必要行使数据仓库、联机分析处理（OLAP）工具和数据发掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据发掘等技术的综合运用。

非关系型数据库，又被称为NoSQL（Not Only SQL )，意为不仅仅是SQL（ Stmuctured QueryLanguage，结构化查询语言)，据维基百科介绍，NoSQL最早出现于1998 年，是由Carlo Storzzi最早开发的个轻量、开源、不兼容SQL 功能的关系型数据库，2009 年淄博网络公司，在一次分布式开源数据库的讨论会上，再次提出了NOSQL 的概念，此时NOSQL重要是指I非关系型、分布式、不提供ACID (数据库事务处理的四个本要素)的数据库设计模式。同年，在业特兰大举行的“NO:SQL(east)”讨论会上，对NOSQL 最普遍的定义是“非关联型的”，强调Key-Value 存储和文档数据库的好处，而不是单纯地反对RDBMS，至此，NoSQL 开始正式出如今世人面前。

结构化数据，简单来说就是数据库。结合到典型场景中更容易理解，比如企业ERP、财务体系；医疗HIS数据库；教育一卡通；当局行政审批；其他核心数据库等。

半结构化数据

在做一个信息体系设计时一定会涉及到数据的存储，一样平常我们都会将体系信息保存在某个指定的关系数据库中。我们会将数据按营业分类，并设计响应的表，然后将对应的信息保存到响应的表中。比如我们做一个营业体系，要保存员工基本信息：工号、姓名、性别、出生日期等等；我们就会建立一个对应的staff表。

非结构化数据库是指其字段长度可变，并且每个字段的记录又可以由可重复或不可重复的子字段构成的数据库，用它不仅可以处理结构化数据（如数字、符号等信息）而且更适合处理非结构化数据（全文文本、图象、声音、影视、超媒体等信息）。

数据清洗从名字上也看的出就是把“脏”的“洗掉”，指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据同等性，处理无效值和缺失值等。由于数据仓库中的数据是面向某一主题的数据的荟萃，这些数据从多个营业体系中抽取而来而且包含历史数据，如许就避免不了有的数据是错误数据、有的数据相互之间有冲突，这些错误的或有冲突的数据显然是我们不想要的，称为“脏数据”。我们要按照肯定的规则把“脏数据”“洗掉”，这就是数据清洗。而数据清洗的义务是过滤那些不吻合要求的数据，将过滤的效果交给营业主管部门，确认是否过滤掉照旧由营业单位修正之后再进行抽取。不吻合要求的数据重要是有不完备的数据、错误的数据、重复的数据三大类。数据清洗是与问卷审核不同，录入后的数据清理一样平常是由计算机而不是人工完成。

算法（Algorithm）是指解题方案的正确而完备的描述，是一系列解决题目的清晰指令，算法代表着用体系的方法描述解决题目的策略机制。也就是说，能够对肯定规范的输入，在有限时间内获得所要求的输出。假如一个算法有缺陷，或不适合于某个题目，实行这个算法将不会解决这个题目。不同的算法可能用不同的时间、空间或服从来完成同样的义务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相干的优化难题带来盼望，随后提出多层主动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它行使空间相对关系削减参数数目以进步训练性能。

人工神经网络 Artificial Neural Networks

数据聚类 Cluster analysis

随机森林 Random forest

分治法 Divide and Conquer

支撑向量机 Support Vector Machine

SVM的重要思想可以概括为两点：⑴它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特性空间使其线性可分，从而 使得高维特性空间采用线性算法对样本的非线性特性进行线性分析成为可能；

熵（entropy）指的是系统的紊乱的程度，它在控制论、概率论、数论、天体物理、生命科学等领域都有紧张应用，在不同的学科中也有引申出的更为详细的定义，是各领域十分紧张的参量。熵的概念由鲁道夫·克劳修斯（Rudolf Clausius）于1850年提出，并应用在热力学中。1948年，克劳德·艾尔伍德·香农（Claude Elwood Shannon）第一次将熵的概念引入信息论中。

辛普森悖论亦有人译为辛普森诡论，为英国统计学家E.H.辛普森（E.H.Simpson）于1951年提出的悖论，即在某个条件下的两组数据，分别讨论时都会知足某种性子，可是一旦合并考虑，却可能导致相反的结论。

为了避免辛普森悖论的出现，就必要斟酌各分组的权重，并乘以肯定的系数去消弭以分组数据基数差异而造成的影响。同时必需了解清楚情况，是否存在潜在因素，综合考虑。

贝叶斯分类是一系列分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。朴素贝叶斯算法（Naive Bayesian) 是其中应用最为广泛的分类算法之一。

通过以上定理和“朴素”的假定，我们知道：P( Category | Document) = P ( Document | Category ) * P( Category) / P(Document)。

数据科学家是指能采用科学方法、运用数据发掘工具对复杂多量的数字、符号、笔墨、网址、音频或视频等信息进行数字化重现与熟悉，并能探求新的数据洞察的工程师或专家(不同于统计学家或分析师)。一个良好的数据科学家必要具备的素质有：懂数据采集、懂数学算法、懂数学软件、懂数据分析、懂展望分析、懂市场应用、懂决策分析等。

并行处理是计算机体系中能同时实行两个或更多个处理机的一种计算方法。处理机可同时工作于统一程序的不同方面。并行处理的重要目的是节省大型和复杂题目的解决时间。为使用并行处理，首先必要对程序进行并行化处理，也就是说将工作各部分分配到不同处理机中。而重要题目是并行是一个相互寄托性题目，而不能主动实现。此外上海装潢公司，并行也不能保证加速。但是一个在 n 个处理机上实行的程序速度可能会是在单一处理机上实行的速度的 n 倍。