大数据技术_技术生态圈 之 边缘技术

基于大数据技术可以进一步拓展学习其他的边缘技术。
1 、主要包含如下：

这些技术以大数据技术为底层支持技术，结合不同业务衍生的技术栈，对于大数据工程师了解即可，都学习了话，还是很难的，毕竟另一个技术生态圈。

机器学习（模拟人脑学习）

概念解析：

深度学习：一种实现机器学习的技术

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系。

目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。

深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：

1. 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；
2. 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法
3. 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。

结合机器学习2000年以来的发展。进入21世纪，纵观机器学习发展历程，研究热点可以简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。未来哪种机器学习算法会成为热点呢？深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。
都是实现机器智能化的技术，即 人工智能
1.1人工智能简史

2、人脑神经系统

2.1探秘大脑的工作原理

大脑是人类活动的“信息处理中心”，支配着人类大多数的生命活动。大脑中存在着无数神经元，是大脑处理信息的基本单元。神经元之间相互连接，构成神经网络，不同区域的神经网络负责不同的功能，各区域相互协作，完成大脑的所有处理活动。

当外界信息通过感官系统，传到大脑时，大脑对其做一个简单的模式分析和识别，再将其交给对应的处理区域。

在学习过程中，大脑接收的信息越多，各个区域存储的模式以及模式之间的联系也就越多。如此积累下去，大脑逐渐理解模式分类的规则以及模式之间的联系，最终形成我们对世界各种事物的认知。

2.2人脑神经元结构

2.3人脑神经网络

2.4人工神经网络






3、神经网络的架构


4、误差逆传播算法

3 深度神经网络

3.1整体架构

3.2卷积神经网络




3.3深度置信网络

3.4循环（递归）神经网络

4 软硬件实现

4.1TensorFlow

4.2Caffe

4.3其他深度学习软件





Deeplearning4j的4个主要特点：

4.4深度学习一体机

5 手写体数字识别项目实例

5.1数据准备

5.2模型设计

5.3模型训练

5.4模型测试

6 机器学习应用
6.1语音识别

6.2图像分析

6.3自然语言处理

机器学习使用计算机常用语言：

R语言

Python语言

Python 是一种面向对象、解释型的脚本语言，同时也是一种功能强大而完善的通用型语言。相比其他编程语言（比如 Java），Python
代码非常简单

优点
（1）简单易学
（2）开源
（3）高级语言
（4）解释性语言

一个用编译型语言（如 C 或
C++）写的程序，可以从源文件转换到一个计算机使用的语言。这个过程主要通过编译器完成。当运行程序的时候，我们可以把程序从硬盘复制到内存中并且运行。而
Python 语言写的程序，则不需要编译成二进制代码，可以直接从源代码运行程序。在计算机内部，由 Python
解释器把源代码转换成字节码的中间形式，然后再把它翻译成计算机使用的机器语言并运行。

（5）可移植性

由于 Python 是开源的，它已经被移植到许多平台上。如果能够避免使用依赖系统的特性，那就意味着，所有 Python
程序都无需修改就可以在好多平台上运行，包括 Linux 、Windows、FreeBSD、Solaris 等等，甚至还有
PocketPC、Symbian 以及 Google 基于 Linux 开发的 Android 平台。

（6）强大的功能

从字符串处理到复杂的 3D 图形编程，Python 借助扩展模块都可以轻松完成。

（7）可扩展性

Python 的可扩展性体现为它的模块，Python 具有脚本语言中最丰富和强大的类库，这些类库覆盖了文件
I/O、GUI、网络编程、数据库访问、文本操作等绝大部分应用场景。 Python
可扩展性一个最好的体现是，当我们需要一段关键代码运行的更快时，可以将其用 C 或 C++ 语言编写，然后在 Python
程序中使用它们即可。

2者各有优势