智慧煤礦技術(shù)架構(gòu),。煤礦智能化開采和煤礦物聯(lián)網(wǎng)技術(shù)目前已取得了重要進展,，已建成一批以工作面智能化開采和數(shù)字化信息化管理系統(tǒng)為標志的先進煤礦,。中期目標：到2025年,，攻克一批智慧煤礦與智能化開采的短板技術(shù),，提高煤礦智能化水平,，全部大型煤礦全面實現(xiàn)的智能化開采,，構(gòu)建起多信息融合的智慧煤礦系統(tǒng),，實現(xiàn)采掘運通多個系統(tǒng)的智能化決策和自動化協(xié)同運行，井下主要崗位作業(yè),、安控與應(yīng)急救援的機器人替代,，工作面無人化作業(yè)。

AI驅(qū)動的開發(fā)著眼于將AI嵌入到應(yīng)用程序中并使用AI為開發(fā)過程創(chuàng)建AI驅(qū)動的工具的工具，技術(shù)和最佳實踐,。用于構(gòu)建基于AI的解決方案的工具正在從針對數(shù)據(jù)科學(xué)家(AI基礎(chǔ)設(shè)施,，AI框架和AI平臺)的工具擴展到針對專業(yè)開發(fā)人員社區(qū)(AI平臺，AI服務(wù))的工具,。用于構(gòu)建基于AI的解決方案的工具正在被賦予AI驅(qū)動的功能,，這些功能可以幫助專業(yè)開發(fā)人員并自動執(zhí)行與AI增強型解決方案開發(fā)相關(guān)的任務(wù)。顛覆未來 - 智能AI芯片,。

Sun在1995年公開了Java這樣一個技術(shù),，在三年后也就是1998年，Sun又創(chuàng)建了一個開放的社區(qū)組織JCP（Java Community Process,，翻譯過來大概是Java社區(qū)進程）,，讓關(guān)心Java的人都可以來參與Java特征和新版本規(guī)范的制定，而非讓Java只有Sun一家把控,。早在Java誕生后的第十個年頭,，2005，Bruce A.Tate就著有《Beyond Java》, 里面分析了Java從誕生到發(fā)展的過程,，也指出了Java的危機和將來有可能會超越Java甚至替代Java地位的語言或技術(shù),。

高級語言獨立于機器的特性是靠編譯器為不同機器生成不同的目標代碼(或機器指令)來實現(xiàn)的,。2. 由編譯型語言編寫的源程序需要經(jīng)過編譯,、匯編和鏈接才能輸出目標代碼，然后機器執(zhí)行目標代碼,，得出運行結(jié)果,，目標代碼由機器指令組成，一般不能獨立運行,，因為源程序中可能使用了某些匯編程序不能解釋引用的庫函數(shù),，而庫函數(shù)代碼又不在源程序中，此時還需要鏈接程序完成外部引用和目標模塊調(diào)用的鏈接任務(wù),，最后輸出可執(zhí)行代碼,。

廣告交易平臺是能夠?qū)⒚襟w和廣告主/廣告代理商聯(lián)系在一起的在線廣告交易市場，按照是否公開可以分為公有廣告交易平臺與私有廣告交易平臺 ：公有廣告交易平臺上的廣告位資源一般來自不同媒體,，而私有廣告交易平臺上的廣告位資源則通常來自單一媒體,。數(shù)據(jù)管理平臺（DMP）DMP 這個術(shù)語被廣泛地使用,，究其根本，可以劃分為三種類型：數(shù)據(jù)管理方 DMP（第一方 DMP）,、數(shù)據(jù)提供方 DMP（第二方 DMP）和數(shù)據(jù)交易方 DMP（第三方 DMP）,。

盡管面臨真正中立的數(shù)據(jù)裁判缺位的問題,，但程序化廣告可用數(shù)據(jù)仍然在快速增長,，其中第一方數(shù)據(jù)和第二方數(shù)據(jù)的增長情況顯著，得益于企業(yè)（主要是品牌廣告主）自建DMP的增加,。在數(shù)據(jù)直接變現(xiàn)的友好環(huán)境尚不存在的情況下,，理性的數(shù)據(jù)變現(xiàn)方式是自己建立數(shù)據(jù)的應(yīng)用環(huán)境：在營銷上，即表現(xiàn)為建立自己的DMP DSP的體系,，通過廣告投放實現(xiàn)變現(xiàn)——很多數(shù)據(jù)資源方都成為DSP或類DSP的程序化廣告投放服務(wù)商,，例如運營商、銀聯(lián)或是人人網(wǎng),。

2017年DSP、RTB和程序化廣告的“透”視與展望,。DSP透明化不僅對DSP廠商有要求,，對廣告主或代理方也有一定要求。DSP回歸技術(shù)本質(zhì),。擁有技術(shù)優(yōu)勢的DSP公司,，重心轉(zhuǎn)移到為前者和其他中介提供技術(shù)服務(wù)，變成純技術(shù)導(dǎo)向的DSP技術(shù)供應(yīng)商,。其中,，智子云自主研發(fā)的全自動智能化DSP和企業(yè)私有化DMP產(chǎn)品，憑借數(shù)據(jù)挖掘算法的優(yōu)勢,，在大數(shù)據(jù)應(yīng)用和營銷領(lǐng)域獲得了良好的口碑和成績,，為數(shù)千家廣告公司和品牌客戶提供了優(yōu)質(zhì)的大數(shù)據(jù)技術(shù)服務(wù)。

智能制造的基礎(chǔ)——CPS的分類和分級,。我們必須正確理解智能,、智能制造系統(tǒng)和CPS的關(guān)系。我們在三體智能理論中,，提出一種更加寬泛的智能技術(shù)——“人造智能”,，就是去研發(fā)一套新的智能技術(shù)系統(tǒng)，具有類似人的認知能力,，有感知,、會分析、自決策、善動作,，并且在分析與決策過程中善于運用知識,，同時學(xué)習(xí)、積累乃至創(chuàng)造知識的能力,，是一種模仿、拓展和超越人類智能的能力,。我個人認為CPS可以分為廣義的CPS和狹義的CPS,。

需求方平臺DSP(Demand side platform)DSP定義-需求方平臺:（廣告）需求房平臺，英文全稱Demand sideplatform,，簡稱為DSP,，為廣告主提供跨媒介，跨平臺,，跨終端的廣告投放平臺,，通過數(shù)據(jù)整合，分析實現(xiàn)基于受眾的精準投放,，并且實時監(jiān)控不斷優(yōu)化,。

人工智能算法。很多時候困惑人們都是,，很多算法是一類算法,，而有些算法又是從其他算法中延伸出來的。根據(jù)算法的功能和形式的類似性,，我們可以把算法分類,，比如說基于樹的算法，基于神經(jīng)網(wǎng)絡(luò)的算法等等,。正則化方法是其他算法（通常是回歸算法）的延伸,，根據(jù)算法的復(fù)雜度對算法進行調(diào)整。像聚類算法一樣,，降低維度算法試圖分析數(shù)據(jù)的內(nèi)在結(jié)構(gòu),，不過降低維度算法是以非監(jiān)督學(xué)習(xí)的方式試圖利用較少的信息來歸納或者解釋數(shù)據(jù)。

淺談框架和庫的區(qū)別什么是框架和庫,？對于好多初學(xué)者來說（例如我）,很容易把框架和庫搞混淆,分不清它們的具體區(qū)別,直到現(xiàn)在我也不是把框架和庫搞得很清晰,。庫的使用非常靈活，但沒有框架方便,，這就是框架和庫本質(zhì)的區(qū)別,。我們在開發(fā)中使用框架的時候，框架為我們提供了一條龍服務(wù),，一整套的服務(wù),，我們調(diào)用框架的時候，取的是整個框架，必須使用這個框架的全部代碼,，即使有些地方的代碼我們用不到,，但是我們不能挑三揀四。

什么是Hadoop.HDFS:Hadoop Distributed File System,Hadoop的分布式文件系統(tǒng).大文件被分成默認64M一塊的數(shù)據(jù)塊分布存儲在集群機器中.MapReduce:Hadoop為每一個input split創(chuàng)建一個task調(diào)用Map計算,，在此task中依次處理此split中的一個個記錄(record),map會將結(jié)果以key--value的形式輸出,hadoop負責(zé)按key值將map的輸出整理后作為Reduce的輸入,Reduce Task的輸出為整個job的輸出,，保存在HDFS上.

于是就誕生了云計算,，也衍生出了云計算的三種服務(wù)類型——將基礎(chǔ)設(shè)施作為服務(wù)（IaaS）,、將平臺作為服務(wù)（SaaS）和將軟件作為服務(wù)（PaaS）。轉(zhuǎn)型后,，IBM的銷售對象仍是企業(yè)級客戶,，旗下?lián)碛邢喈斎娴脑朴嬎惝a(chǎn)品線──包括服務(wù)器、管理軟件,、應(yīng)用軟件等,，云計算的三個層次——IaaS、SaaS和PaaS,，全部都能在 IBM Cloud 上面找到相應(yīng)的解決方案,。不過，這只是打了微軟一巴掌,，Google并未能撼動微軟在PC時代的市場,。

日常工作中，我們一般會先把數(shù)據(jù)儲存在一張表中,，然后對這張表的數(shù)據(jù)進行加工,、分析。既然數(shù)據(jù)要儲存在表中,，就有時效性這個概念,。如果是小時級別的數(shù)據(jù)，對時效性要求就更高了,，比如金融風(fēng)控,，涉及到資金的安全，必須有一張小時級別的數(shù)據(jù),。(1) 與批量計算那樣慢慢積累數(shù)據(jù)不同,，流式計算將大量數(shù)據(jù)平攤到每個時間點上，連續(xù)地進行小批量的進行傳輸,，數(shù)據(jù)持續(xù)流動,，計算完之后就丟棄。② 等待流式數(shù)據(jù)觸發(fā)流計算作業(yè),。

由此不難看出,，想在OpenStack基礎(chǔ)上構(gòu)建一個完整的云操作系統(tǒng)，需要將OpenStack與其他一些軟件組件進行集成，以實現(xiàn)OpenStack自身并不提供的能力,。二,、OpenStack與云計算系統(tǒng)的關(guān)系基于前面的介紹，不難看出,，OpenStack與云計算系統(tǒng)之間,，既緊密聯(lián)系，又相互區(qū)別,。OpenStack是構(gòu)建云操作系統(tǒng)的框架,。由此可見，OpenStack是云計算系統(tǒng)的核心軟件組件,，是構(gòu)建云計算系統(tǒng)的基礎(chǔ)框架，但OpenStack和云計算系統(tǒng)并不能直接等同,。

DMP 營銷官的大數(shù)據(jù)平臺,。而這些潛在客戶數(shù)據(jù)是通過在這個平臺上的數(shù)據(jù)提供商獲得，用戶不能直接拿到這些數(shù)據(jù)但是可以針對這些數(shù)據(jù)做廣告投放——那么這樣一個平臺,，就是DMP,。這兩年DMP的提法變的越來越廣義了，有些地方甚至把DMP分為用于支持企業(yè)核心業(yè)務(wù)的DMP和用于廣告投放的DMP,；現(xiàn)在我們要啟用DMP,，假設(shè)我們需要拿出來50萬花在DMP上，這50萬里面有20萬是DMP平臺使用費,，那最后剩下的30萬就是數(shù)據(jù)交易費用的預(yù)算,。

DMP格局解讀：品牌究竟需要怎樣的DMP,？該DMP的數(shù)據(jù)主要來自品牌自身,，包括了品牌的廣告投放數(shù)據(jù)、官網(wǎng)數(shù)據(jù),、大社交數(shù)據(jù),、CRM數(shù)據(jù)等等，這些用戶數(shù)據(jù)具有特定互動性,，較為精準,、具體，但數(shù)據(jù)量較少,。第二種為第三方DMP平臺,，該DMP的數(shù)據(jù)主要來自品牌之外的第三方，例如垂直媒體,、BAT等第三方的數(shù)據(jù)管理平臺,。例如，如何在DMP開始之初，為品牌制定數(shù)據(jù)收集方案并為其特定KPI需求,，結(jié)合DMP提供項目規(guī)劃,。

Google 和亞馬遜這樣的 AI 先行者已經(jīng)采用這些新技術(shù)來創(chuàng)造日益增長的競爭優(yōu)勢，我們看到了他們的 AI 戰(zhàn)略帶來的的好處,。AI 技術(shù)棧是運行 AI 模型所需的基礎(chǔ)架構(gòu),，包括優(yōu)化組件，存儲,，數(shù)據(jù)處理和分析工具,。Google，蘋果,，F(xiàn)acebook,，英特爾，微軟和亞馬遜一直是 AI 中最活躍的收購者,，大部分收購都落在核心 AI技術(shù)中,，如圖像識別和自然語言處理。AI 公司的范圍從那些專注于開發(fā)核心 AI 技術(shù)到構(gòu)建 AI 工具來解決行業(yè)特定問題,。

假設(shè)樣本的特征向量為x,，類別標簽為y，根據(jù)貝葉斯公式,，樣本屬于每個類的條件概率（后驗概率）為：其中x是輸入向量,，F(xiàn)(x)是強分類器，ft(x)是弱分類器,，at是弱分類器的權(quán)重,，T為弱分類器的數(shù)量，弱分類器的輸出值為+1或-1,，分別對應(yīng)正樣本和負樣本,。在這里，訓(xùn)練樣本帶有權(quán)重值,，初始時所有樣本的權(quán)重相等,，在訓(xùn)練過程中，被前面的弱分類器錯分的樣本會加大權(quán)重,，反之會減小權(quán)重,，這樣接下來的弱分類器會更加關(guān)注這些難分的樣本。

數(shù)據(jù)降維的第三個用途是異常值檢測和聚類,，例如你通過數(shù)據(jù)降維,，發(fā)現(xiàn)小鎮(zhèn)上的大部分人家都住在兩個火車站附近，但是有一倆個家卻不在這里,，這樣你就發(fā)現(xiàn)了小鎮(zhèn)里那些特立獨行的人,，接著你發(fā)現(xiàn)倆個火車站附件的人家,，一家都姓張，一家都姓李,，這樣,，你就將小鎮(zhèn)的人家通過數(shù)據(jù)降維，分成了倆類,。而我們遇到的大部分小鎮(zhèn),，都是逐水而居的，正如我們通常遇到的需要降維數(shù)據(jù),，而這就需要所謂的非線性數(shù)據(jù)降維方法了,。