附近人在搜什么
机器人女神背后：大数据与人工智能关系几何？
　　今日在京召开的全球移动互联网大会(GMIC
2014)现场，一位被誉为“最性感”的机器人“女神”赚足了眼球，即日本大阪大学的智能机器人研究所所长石黑浩在智能机器人研究领域的最新成果——Actroid-F。机器人“女神”除了外形逼真外，“她”还能够完成点头、眨眼等动作，并可以进行简单的交谈和反应，实现与人类沟通。
机器人“女神”Actroid-F（速途网配图）
　　在对机器人“女神”漂亮外观以及强大功能的感慨之余，你是否会想到，其背后的实现逻辑和过程是怎样的?机器人“女神”作为人工智能技术的耀眼展现，如今火热的大数据技术又是如何助其一臂之力的?
　　从人工智能的概念正式提出到发展至今，已有的常用的人工智能方法包括人工神经网络、机器学习、知识表现、智能搜索、模糊逻辑等。然而要想使这些方法具有优异的表现并不是件容易的事，其前提是拥有足够多的数据样本和强大的计算能力。这在人工智能出现的早期，是很难实现的，因此，人工智能多年的发展多停留在微创新阶段，而难有大的突破。
　　如今，大数据时代的到来或许能给人工智能的快速发展提供新的助力。
　　以机器学习为例，机器学习的目的是从数据中自动分析并获得规律，并利用规律对未知数据进行预测。目前广泛应用的例如互联网搜索、垃圾邮件过滤、机器翻译、在线广告、手写识别等都是机器学习的简单案例，但智能化的机器学习实现难度相对较大。尤其是与人沟通的场景的庞杂性，要求预设的条件较多，机器识别的过程中对于模糊性的问题会有纰漏。
　　对于数据的处理占用较多时间和资源，这个瓶颈制约了人工智能的发展。
　　目前，国内外各类大型网站已经积累了大量用户的商品交易、搜索、社交、个人情感等数据。大数据技术已能够有效地对一些数量巨大、种类繁多、价值密度极低、本身快速变化的数据有效和低成本存取、检索、分类、统计。甚至可以有效地对收集和拥有的大数据进行智能分析，进一步挖掘大数据的经济价值和社会价值。而智能化一大难题就是对纷杂的场景反应的精准性，人工智能若不依托于大数据，将难有作为。
　　有趣的是，科技界也崇尚“礼尚往来”，这在人工智能和大数据两者的彼此交互下体现的淋漓尽致。有业内人士表示，人工智能多年的研究成果同样可以进一步促进大数据的发展。譬如自然语言语义分析、信息提取、知识表现、自动化推理、机器学习等，这些技术目前正在逐步地应用于大数据技术的前沿领域，挖掘大数据蕴含的规律和价值，从而为人类决策提供支撑。
　　除了常见的购物、视频推荐和社交图谱等，近来炒得火热的GoogleGlass、无人机技术也都是人工智能技术在大数据领域的成功应用。
　　去年闹的沸沸扬扬的“棱镜计划”其实就是一个大数据应用的大型实验，其工作原理,就是人工智能系统通过“关键词+发生规律”不断对产生的大量电子痕迹、踪迹、轨迹进行搜寻与分析。这里的“关键词”不仅是人们在网上键入的文字，还可以是声音或图像(现在的技术，将语音转化为文字并不困难，我们已经熟悉的SIRI等应用都是这个原理)。普通的语音不仅可以通过电脑程序还原成文字，甚至一些带有个人独特色彩的用词规律与音频特征也能被记录。“棱镜计划”的人工智能程序通过对大量实体与虚拟世界的电子痕迹、轨迹、踪迹进行分析，从中找出与一般人日常生活规律不符的可疑点，并对可疑点进一步深入跟踪，以此发现问题或者排除可疑可疑人员。
　　如今，人工智能已经在不断为人类创造商业价值和社会价值，但其本身蕴藏的潜力在大数据的帮助下，还可以实现更深的挖掘，不仅如此，物联网、移动互联网等新兴技术的发展，更会给人工智能带来更大的想象空间。您的 IP 地址/地理位置：220.177.198.53江西&&吉安&&联通1443人阅读
Coursera Note（35）
这门课是关于大数据处理，本周是第一次编程作业，要求使用Map-Reduce对文本数据进行统计。使用的工具为轻量级的mincemeat。
需要注意的是，使用正则式来匹配单词。做完之后先按照姓名和频率排序，即双重排序，然后写入文件。做作业时因为有两分钟的时间限制，要即时进行搜索。
作业要求如下：
Download data files bundled as a .zip file from&
Each file in this archive contains entries that look like:
journals/cl/SantoNR90:::Michele Di Santo::Libero Nigro::Wilma Russo:::Programmer-Defined Control Abstractions in Modula-2.
that represent bibliographic information about publications, formatted as follows:
paper-id:::author1::author2::…. ::authorN:::title
Your task is to compute how many times every term occurs across titles, for each author.
For example, the author Alberto Pettorossi the following terms occur in titles with the indicated cumulative frequencies (across all his papers): program:3, transformation:2, transforming:2, using:2, programs:2, and logic:2.
Remember that an author might have written multiple papers, which might be listed in multiple files. Further notice that ‘terms’ must exclude common stop-words, such as prepositions etc. For the purpose of this assignment, the stop-words that need to be omitted
are listed in the script stopwords.py. In addition, single letter words, such as &a& also hyphens can be ignored (i.e. deleted). Lastly, periods, commas, etc. in other words, only alphabets and numbers can be part of a title
term: Thus, “program” and “program.” should both be counted as the term ‘program’, and &map-reduce& should be taken as 'map reduce'. Note: You do not need to do stemming, i.e. &algorithm& and &algorithms& can be treated as separate terms.
The assignment is to write a parallel map-reduce program for the above task using either octo.py, or mincemeat.py, each of which is a lightweight map-reduce implementation written in Python.
These are available from /p/octopy/ and mincemeat.py-zipfile respectively.
I strongly recommend mincemeat.py which is much faster than Octo,py even though the latter was covered first in the lecture video as an example. Both are very similar.
Once you have computed the output, i.e. the terms-frequencies per author, go attempt Homework 3 where you will be asked questions that can be simply answered using your computed output, such as the top terms that occur for some particular author.
输入范例如下：
conf/fc/KravitzG99:::David W. Kravitz::David M. Goldschlag:::Conditional Access Concepts and Principles.
conf/fc/Moskowitz01:::Scott Moskowitz:::A Solution to the Napster Phenomenon: Why Value Cannot Be Created Absent the Transfer of Subjective Data.
conf/fc/BellareNPS01:::Mihir Bellare::Chanathip Namprempre::David Pointcheval::Michael Semanko:::The Power of RSA Inversion Oracles and the Security of Chaum's RSA-Based Blind Signature Scheme.
conf/fc/Kocher98:::Paul C. Kocher:::On Certificate Revocation and Validation.
conf/ep/BertiDM98:::Laure Berti::Jean-Luc Damoiseaux::Elisabeth Murisasco:::Combining the Power of Query Languages and Search Engines for On-line Document and Information Retrieval : The QIRi@D Environment.
conf/ep/LouS98:::Qun Lou::Peter Stucki:::Funfamentals of 3D Halftoning.
conf/ep/Mather98:::Laura A. Mather:::A Linear Algebra Approach to Language Identification.
conf/ep/BallimCLV98:::Afzal Ballim::Giovanni Coray::A. Linden::Christine Vanoirbeek:::The Use of Automatic Alignment on Structured Multilingual Documents.
conf/ep/ErdenechimegMN98:::Myatav Erdenechimeg::Richard Moore::Yumbayar Namsrai:::On the Specification of the Display of Documents in Multi-lingual Computing.
conf/ep/VercoustreP98:::Anne-Marie Vercoustre::Fran?ois Paradis:::Reuse of Linked Documents through Virtual Document Prescriptions.
conf/ep/CruzBMW98:::Isabel F. Cruz::Slava Borisov::Michael A. Marks::Timothy R. Webb:::Measuring Structural Similarity Among Web Documents: Preliminary Results.
conf/er/Hohenstein89:::Uwe Hohenstein:::Automatic Transformation of an Entity-Relationship Query Language into SQL.
conf/er/NakanishiHT01:::Yoshihiro Nakanishi::Tatsuo Hirose::Katsumi Tanaka:::Modeling and Structuring Multiple Perspective Video for Browsing.
conf/er/Sciore91:::Edward Sciore:::Abbreviation Techniques in Entity-Relationship Query Languages.
conf/er/Chen79:::Peter P. Chen:::Recent Literature on the Entity-Relationship Approach.
进行处理时，需要开两个客户端。使用的命令分别是：
python mincemeat.py -p pwd localhost
python hw3.py
hw3.py的code为：
import glob
import mincemeat
import operator
all_filepaths = glob.glob('hw3data/*')
def file_contents(filename):
f = open(filename)
return f.read()
datasource = dict((filename,file_contents(filename)) for filename in all_filepaths)
def my_mapper(key,value):
from stopwords import allStopWords
for line in value.splitlines():
allThree=line.split(':::')
for author in allThree[1].split('::'):
for word in re.sub(r'([^\s\t0-9a-zA-Z-])+', '',allThree[2]).split():
tmpWord=word.strip().lower()
if len(tmpWord)&=1 or tmpWord in allStopWords:
yield (author,tmpWord),1
def my_reducer(key,value):
result=sum(value)
return result
s = mincemeat.Server()
s.datasource = datasource
s.mapfn = my_mapper
s.reducefn = my_reducer
results = s.run_server(password=&pwd&)
print results
resList=[(x[0],x[1],results[x]) for x in results.keys()]
sorted_results = sorted(resList, key=operator.itemgetter(0,2))
with open('output.txt','w') as f:
for (a,b,c) in sorted_results:
f.write(a+' *** '+b+' *** '+str(c)+'\n')
输出的结果范例如下：
Stephen L. Bloom *** scalar *** 1
Stephen L. Bloom *** concatenation *** 1
Stephen L. Bloom *** point *** 1
Stephen L. Bloom *** varieties *** 1
Stephen L. Bloom *** observation *** 1
Stephen L. Bloom *** equivalence *** 1
Stephen L. Bloom *** axioms *** 1
Stephen L. Bloom *** languages *** 1
Stephen L. Bloom *** logical *** 1
Stephen L. Bloom *** algebras *** 1
Stephen L. Bloom *** equations *** 1
Stephen L. Bloom *** number *** 1
Stephen L. Bloom *** vector *** 1
Stephen L. Bloom *** polynomial *** 1
Stephen L. Bloom *** solving *** 1
Stephen L. Bloom *** equational *** 1
Stephen L. Bloom *** axiomatizing *** 1
Stephen L. Bloom *** characterization *** 1
Stephen L. Bloom *** regular *** 2
Stephen L. Bloom *** sets *** 2
Stephen L. Bloom *** iteration *** 3
Stephen L. Lieman *** unacceptable *** 1
Stephen L. Lieman *** correcting *** 1
Stephen L. Lieman *** never *** 1
Stephen L. Lieman *** powerful *** 1
Stephen L. Lieman *** accept *** 1
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：532534次
积分：5713
积分：5713
排名：第3318名
原创：98篇
转载：10篇
评论：100条
本科就读于中国科学技术大学少年班学院理科试验班，研究生就读于中国科学技术大学信息学院。
毕业后进入网易游戏从事手游开发工作。关注Unity3D/VR/Quant/C++/Python
阅读：58981
阅读：18109
文章：12篇
阅读：127750
(1)(1)(3)(5)(5)(1)(1)(2)(10)(5)(3)(2)(5)(4)(1)(3)(12)(3)(8)(15)(6)(1)(1)(4)(10)当前位置：
认知计算与大数据 人工智能有啥区别？
核心提示：
对于认知计算而言，洞察和预测只是其中的一种。但是，认知计算更为强调人和机器之间自然的交互，这些维度都不是传统的大数据分析所强调。
中国IDC圈4月6日报道，对于认知计算而言，洞察和预测只是其中的一种。但是，认知计算更为强调人和机器之间自然的交互，这些维度都不是传统的大数据分析所强调。
认知计算是通过与人的自然语言交流及不断地学习，从而帮助人们做到更多的系统，是从硬件架构到算法策略、从程序设计到行业专长等多个学术领域的结合，能够使人们更好地从海量复杂的数据中获得更多洞察，从而做出更为精准的决策。
在IBM，我们把它简化归纳为，具备规模化学习、根据目标推理以及与人类自然互动能力的系统。
认知计算与人工智能的区别是什么?
虽然认知计算包括人工智能的一些要素，但前者是一个更宽泛的概念。认知计算不是制造&为人们思考&的机器，而是与&增加人类智慧&有关，能够帮助我们更好地思考和做出更为全面的决定。
人工智能的概念已经有二十多年了，人工智能从历史和研究角度来讲主要目的是为了让机器表现得&更像人&，我们称之为IntelligentBehavior。
IBM的认知计算从技术角度上来讲和人工智能是有很多共性的地方，比如机器学习(MachineLearning)、深度学习(DeepLearning)等方面都很类似。
但是，IBM的认知计算目的并不是为了取代人，而IntelligentBehavior也只是认知计算的一个维度。认知计算除了要能够表现人和计算机的交互更加自然流畅之外，还会更多地强调推理和学习，以及如何把这样的能力结合具体的商业应用、解决商业的问题。
认知计算和大数据分析有何区别?
大数据分析属于认知计算的一个维度。与大数据相比，认知计算的范围更广、技术也更为先进。
认知计算和大数据分析有类似的技术，比如大量的数据、机器学习(MachineLearning)、行业模型等，大数据分析更多强调的是获得洞察，通过这些洞察进行预测。此外，传统的大数据分析会使用模型或者机器学习的方法，但更多的是靠专家提供。
对于认知计算而言，洞察和预测只是其中的一种。但是，认知计算更为强调人和机器之间自然的交互，这些维度都不是传统的大数据分析所强调。
此外，认知计算目前成长很快的一个领域为深度学习(DeepLearning)，它的学习方法与传统方法不同，更多的是基于大量的数据通过自学的方式得到这样的模型，而不需要很多的人为干预，这个从学习方法来讲和大数据分析有很多不同的地方。
责任编辑：李丽
关注官方微信：或微信号： 我们将定期推送IDC产业最新资讯
首届 "攻城狮"IDC运维知识竞赛邀您来战，最强团队，最强技能，最强比拼，万元大奖等您拿！
Copyright 2001 - 2013 Chinaitlab Group All Rights Reserved. 京公网安备14号您所在的位置： &
&人工智能与大数据的完美结合
人工智能与大数据的完美结合
来源：中国数字医疗网
从“微软小冰”及“人机对话”的迅速崛起，到谷歌公司花数亿美金并入人工智能公司，再具体到医院应用的机器人。我们都能看到大数据和人工智能的紧密联系，从人工智能到大数据到底是怎样的一个发展，大数据和人工智能相结合，又将释放出怎样的能量。针对这些问题，北京市信息资源管理中心程军博士在7月11日，由北京市公共卫生信息中心主办、中国数字医疗网承办的“北京卫生信息化大讲堂系列培训”第二期会上作了相关演讲。
大数据发展历程
本次培训会的主题是医疗行业的大数据应用，会上，程军以“从人工智能到大数据”为主题作了相关报告。他主要从大数据的发展历程、大数据的关键要素、北京市的建设基础、未来北京市大数据发展方向四方面作了阐述。
程军向参加培训的学员讲解了大数据的概念和关键要素。他指出，从人工智能到大数据，它的发展历程可以简化为四个阶段，第一阶段是1950年提出的人工智能，第二阶段是1960年提出机器学习，第三阶段1995年提出数据挖掘，第四阶段就到了2012年的大数据阶段。
大数据的四大关键要素
大数据是指无法在一定时间内用传统数据库软件工具对其内容进行抓取、管理和处理的数据集合。在程军看来，大数据共包括四大关键要素：数据量巨大，全球的大数据量在2010年正式进入ZB时代，IDC预计到2020年，全球将总共拥有35ZB的数据量;如今的数据类型早已不是单一的文本形式，而是结构化数据、半结构化数据和非结构化数据并存;如何通过强大的及其算法更迅速地完成数据的价值“提纯”是目前大数据汹涌背景下亟待解决的难题;在海量数据面前，实时获取所需信息，处理数据的效率非常关键。
北京市的基础建设两步走
大数据就像一个烫手的山芋，闻着香，但“吃”起来却很棘手。程军介绍，北京市的建设基础主要包括北京市信息资源的建设情况和基础软硬件的建设情况两方面。目前，北京市一年产生的大数据有126PB,其中绝大多数数据都是非结构化的视频数据，另一类就是秒级响应的物联网实时数据，第三类数据就是日常业务处理中产生的存量数据。程军认为大数据的核心是数据的来源，只有拿到数据，才有可能对其进行分析。
对于数据的管理，北京市对全市信息资源采用了一种目录管理方式，通过信息资源目录来了解全市各个委办局都有什么数据。程军介绍目录主要分三类，一类是基础信息资源目录，一类是主题目录，一类是部门目录，其中基础信息资源目录主要是指自然人，法人自然资源和空间地理以及宏观经济等数据。主题目录中的数据主要包括领导决策、非紧急救助、化共突发事件的应急指挥等跨部门领域的数据。另外一些是部门的资源目录，包括部门的业务目录，部门的数据目录，部门的供养目录和公开目录等一系列目录。目前掌握的目录总计全市有3399项数据。
信息的基础设施主要是信息化基础软硬件方面，对此，北京市有包括有运行环境层，信息资源层，协同平台层，智能应用层，信息门户层和对象服务层以及安全管理和安全保障和信息化管理的一整套相关体系。
程军介绍，目前， 标着颜色的是建成的，还有未标颜色的仍处于建设中。在网络层，北京市统一建设了局域网，政务内网，政务外网，互联网和无线网等。那么在服务器和硬件方面也有全市统一的云计算平台。
在信息资源层呢，北京市统一建设了全市的基础数据库以及部分的主题数据库还有全市统一信息资源目录，在协同平台层呢，北京市统一建设了全市的数据交换，信息的共享以及基准数据的提供和数据比对等这一系列服务功能。
在门户层对内是有公务员门户，和领导决策门户，在对公众服务上面呢，有首都之窗和北京市的网站等这些服务，还有一些通过手机的服务渠道，那么统一的安全体系实际上这个还没有完全建立起来。这个实际上是现在呢是谁建设谁负责，那统一的信息化管理体系现在是逐步建立起来了，这是北京市简单地介绍一下整体的这种基础设施情况。
未来北京市大数据四大发展方向
1人口、法人、空间等基础数据完善
2.跨部门信息交换
3.面向公众、企业的政务信息公开
4. 充分利用社会、企业数据为政府服务
如今，人工智能已经在不断为人类创造商业价值和社会价值，但其本身蕴藏的潜力在大数据的帮助下，还可以实现更深的挖掘与想象空间。
 【】 【】 【】
0102030405
0102030405
中国数字医疗网官方微信
中国电子学会智慧医疗工作推进委员会官网
北京市公安局海淀分局备案编号：号&营业执照
&京ICP备号&未经许可&请勿转载
51CTO旗下网站&:&|||