一、大数据时代究竟改变了什么——思维方式
（一）、数据重要性
数据资源→数据资产（增值）
（二）、方法论
基于知识的理论完美主义（专家判断）→基于数据的历史经验主义
（三）、数据分析
统计学（抽样）→数据科学（大数据）
数据科学家（大数据+算法+业务知识）
（四）、计算智能
复杂算法→简单算法
（五）、决策方面
目标决策→数据决策
（六）、业务方面
基于业务数据化→基于数据业务化
（七）、产业竞合
以产业为中心→以数据为中心
二、大数据4V特征
（一）、数据量大
（二）、数据种类多
结构化数据
非结构化数据：图像；音频
半结构化数据
（三）、速度快
数据增长快
数据处理速度快
（四）、价值密度低
价值密度=有价值数据÷ALL
三、大数据项目架构—以电信日志分析为例
（一）、项目名称：电信日志分析系统
（二）、项目描述：用户访问日志数据和用户安全日志数据
（三）、项目架构分析
数据采集层→数据存储层→数据分析层→机器学习层→数据展示层
（四）、项目职责
（五）、项目优化
四、机器学习-人工智能发展
（一）、人工智能三次浪潮
跳棋：专家系统—IBM公司
象棋：统计模型—IBM公司
围棋：深度学习—DeepMind
（二）人工智能应用场景
图像识别；无人驾驶；智能翻译；语音识别；医疗智能诊断；数据挖掘
五、人工智能>机器学习>深度学习
机器学习是人工智能一个分支（数据挖掘；模式识别也是分支）
深度学习是机器学习的一种方法，用于图像识别
人工智能落地依靠机器学习
六、数据分析、数据挖掘、机器学习关系
数据：观测值
信息：可信的数据
数据分析：从数据到信息
数据挖掘：信息进行价值化
模式识别：图像识别
七、了解机器学习
（一）、机器学习=机器+学习=CPU+GPU（图形图像处理器）+数据+算法
（二）、如何判断为机器去学习
特定问题：确定性事件；基础统计问题—不需要机器学习
看是否有预测过程
八、基于规则学习和基于模型的学习
基于规则的学习是硬编码的方式进行学习
基于模型通过数据构建机器学习模型，通过模型预测
机器模型是学习模型；学习模型的k和b（参数）
