在神经网络的成功的带动下，越来越多的研究人员和开发人员都开始重新审视机器学习，开始尝试用某些机器学习方法自动解决可以轻松采集数据的问题。然而，在众多的机器学习算法中，哪些是又上手快捷又功能强大、适合新手学习的呢？Towards Data Science 上一篇文章就介绍了十种新手必看的机器学习算法，AI 科技评论全文编译如下。
机器学习领域有一条“没有免费的午餐”定理。简单解释下的话，它是说没有任何一种算法能够适用于所有问题，特别是在监督学习中。
例如，你不能说神经网络就一定比决策树好，反之亦然。要判断算法优劣，数据集的大小和结构等众多因素都至关重要。所以，你应该针对你的问题尝试不同的算法。然后使用保留的测试集对性能进行评估，选出较好的算法。
当然，算法必须适合于你的问题。就比如说，如果你想清扫你的房子，你需要吸尘器，扫帚，拖把。而不是拿起铲子去开始挖地。
大的原则
不过，对于预测建模来说，有一条通用的原则适用于所有监督学习算法。
机器学习算法可以描述为学习一个目标函数 f，它能够最好地映射出输入变量 X 到输出变量 Y。有一类普遍的学习任务。我们要根据输入变量 X 来预测出 Y。我们不知道目标函数 f 是什么样的。如果早就知道，我们就可以直接使用它，而不需要再通过机器学习算法从数据中进行学习了。
最常见的机器学习就是学习 Y=f(X) 的映射，针对新的 X 预测 Y。这叫做预测建模或预测分析。我们的目标就是让预测更加精确。
针对希望对机器学习有个基本了解的新人来说，下面将介绍数据科学家们最常使用的 10 种机器学习算法。
1. 线性回归
线性回归可能是统计和机器学习领域最广为人知的算法之一。
以牺牲可解释性为代价，预测建模的首要目标是减小模型误差或将预测精度做到最佳。我们从统计等不同领域借鉴了多种算法，来达到这个目标。
线性回归通过找到一组特定的权值，称为系数 B。通过最能符合输入变量 x 到输出变量 y 关系的等式所代表的线表达出来。
线性回归
例如：y = B0 + B1 * x 。我们针对给出的输入 x 来预测 y。线性回归学习算法的目标是找到 B0 和 B1 的值。
不同的技巧可以用于线性回归模型。比如线性代数的普通最小二乘法，以及梯度下降优化算法。线性回归已经有超过 200 年的历史，已经被广泛地研究。根据经验，这种算法可以很好地消除相似的数据，以及去除数据中的噪声。它是快速且简便的首选算法。
2. 逻辑回归
逻辑回归是另一种从统计领域借鉴而来的机器学习算法。
与线性回归相同。它的目的是找出每个输入变量的对应参数值。不同的是，预测输出所用的变换是一个被称作 logistic 函数的非线性函数。
logistic 函数像一个大 S。它将所有值转换为 0 到 1 之间的数。这很有用，我们可以根据一些规则将 logistic 函数的输出转换为 0 或 1（比如，当小于 0.5 时则为 1）。然后以此进行分类。
逻辑回归
正是因为模型学习的这种方式，逻辑回归做出的预测可以被当做输入为 0 和 1 两个分类数据的概率值。这在一些需要给出预测合理性的问题中非常有用。
就像线性回归，在需要移除与输出变量无关的特征以及相似特征方面，逻辑回归可以表现得很好。在处理二分类问题上，它是一个快速高效的模型。
3. 线性判别分析
逻辑回归是一个二分类问题的传统分类算法。如果需要进行更多的分类，线性判别分析算法（LDA）是一个更好的线性分类方法。
对 LDA 的解释非常直接。它包括针对每一个类的输入数据的统计特性。对于单一输入变量来说包括：
类内样本均值
总体样本变量
线性判别分析
通过计算每个类的判别值，并根据最大值来进行预测。这种方法假设数据服从高斯分布（钟形曲线）。所以它可以较好地提前去除离群值。它是针对分类模型预测问题的一种简单有效的方法。
4. 分类与回归树分析
决策树是机器学习预测建模的一类重要算法。
可以用二叉树来解释决策树模型。这是根据算法和数据结构建立的二叉树，这并不难理解。每个节点代表一个输入变量以及变量的分叉点（假设是数值变量）
决策树
树的叶节点包括用于预测的输出变量 y。通过树的各分支到达叶节点，并输出对应叶节点的分类值。
树可以进行快速的学习和预测。通常并不需要对数据做特殊的处理，就可以使用这个方法对多种问题得到准确的结果。
5. 朴素贝叶斯
朴素贝叶斯（Naive Bayes）是一个简单，但是异常强大的预测建模算法。
这个模型包括两种概率。它们可以通过训练数据直接计算得到：1）每个类的概率；2）给定 x 值情况下每个类的条件概率。根据贝叶斯定理，一旦完成计算，就可以使用概率模型针对新的数据进行预测。当你的数据为实数时，通常假设服从高斯分布（钟形曲线）。这样你可以很容易地预测这些概率。
贝叶斯定理
之所以被称作朴素贝叶斯，是因为我们假设每个输入变量都是独立的。这是一个强假设，在真实数据中几乎是不可能的。但对于很多复杂问题，这种方法非常有效。
6. K 最近邻算法
K 最近邻算法（KNN）是一个非常简单有效的算法。KNN 的模型表示就是整个训练数据集。很简单吧？
对于新数据点的预测则是，寻找整个训练集中 K 个最相似的样本（邻居），并把这些样本的输出变量进行总结。对于回归问题可能意味着平均输出变量。对于分类问题则可能意味着类值的众数（最常出现的那个值）。
诀窍是如何在数据样本中找出相似性。最简单的方法就是，如果你的特征都是以相同的尺度（比如说都是英寸）度量的，你就可以直接计算它们互相之间的欧式距离。
K 最近邻算法
KNN 需要大量空间来存储所有的数据。但只是在需要进行预测的时候才开始计算（学习）。你可以随时更新并组织训练样本以保证预测的准确性。
在维数很高（很多输入变量）的情况下，这种通过距离或相近程度进行判断的方法可能失败。这会对算法的性能产生负面的影响。这被称作维度灾难。我建议你只有当输入变量与输出预测变量最具有关联性的时候使用这种算法。
7. 学习矢量量化
K 最近邻算法的缺点是你需要存储所有训练数据集。而学习矢量量化（缩写为 LVQ）是一个人工神经网络算法。它允许你选择需要保留的训练样本个数，并且学习这些样本看起来应该具有何种模式。
学习矢量量化
LVQ 可以表示为一组码本向量的集合。在开始的时候进行随机选择。通过多轮学习算法的迭代，最后得到与训练数据集最相配的结果。通过学习，码本向量可以像 K 最近邻算法那样进行预测。通过计算新数据样本与码本向量之间的距离找到最相似的邻居（最符合码本向量）。将最佳的分类值（或回归问题中的实数值）返回作为预测值。如果你将数据调整到相同的尺度，比如 0 和 1，则可以得到最好的结果。
如果你发现对于你的数据集，KNN 有较好的效果，可以尝试一下 LVQ 来减少存储整个数据集对存储空间的依赖。
8. 支持向量机
支持向量机（SVM）可能是最常用并且最常被谈到的机器学习算法。
超平面是一条划分输入变量空间的线。在 SVM 中，选择一个超平面，它能最好地将输入变量空间划分为不同的类，要么是 0，要么是 1。在 2 维情况下，可以将它看做一根线，并假设所有输入点都被这根线完全分开。SVM 通过学习算法，找到最能完成类划分的超平面的一组参数。
支持向量机
超平面和最接近的数据点的距离看做一个差值。最好的超平面可以把所有数据划分为两个类，并且这个差值最大。只有这些点与超平面的定义和分类器的构造有关。这些点被称作支持向量。是它们定义了超平面。在实际使用中，优化算法被用于找到一组参数值使差值达到最大。
SVM 可能是一种最为强大的分类器，它值得你一试。
9. Bagging 和随机森林
随机森林是一个常用并且最为强大的机器学习算法。它是一种集成机器学习算法，称作自举汇聚或 bagging。
bootstrap 是一种强大的统计方法，用于数据样本的估算。比如均值。你从数据中采集很多样本，计算均值，然后将所有均值再求平均。最终得到一个真实均值的较好的估计值。
在 bagging 中用了相似的方法。但是通常用决策树来代替对整个统计模型的估计。从训练集中采集多个样本，针对每个样本构造模型。当你需要对新的数据进行预测，每个模型做一次预测，然后把预测值做平均得到真实输出的较好的预测值。
随机森林
这里的不同在于在什么地方创建树，与决策树选择最优分叉点不同，随机森林通过加入随机性从而产生次优的分叉点。
每个数据样本所创建的模型与其他的都不相同。但在唯一性和不同性方面仍然准确。结合这些预测结果可以更好地得到真实的输出估计值。
如果在高方差的算法（比如决策树）中得到较好的结果，你通常也可以通过袋装这种算法得到更好的结果。
10. Boosting 和 AdaBoost
Boosting 是一种集成方法，通过多种弱分类器创建一种强分类器。它首先通过训练数据建立一个模型，然后再建立第二个模型来修正前一个模型的误差。在完成对训练集完美预测之前，模型和模型的最大数量都会不断添加。
AdaBoost 是第一种成功的针对二分类的 boosting 算法。它是理解 boosting 的最好的起点。现代的 boosting 方法是建立在 AdaBoost 之上。多数都是随机梯度 boosting 机器。
AdaBoost
AdaBoost 与短决策树一起使用。当第一棵树创建之后，每个训练样本的树的性能将用于决定，针对这个训练样本下一棵树将给与多少关注。难于预测的训练数据给予较大的权值，反之容易预测的样本给予较小的权值。模型按顺序被建立，每个训练样本权值的更新都会影响下一棵树的学习效果。完成决策树的建立之后，进行对新数据的预测，训练数据的精确性决定了每棵树的性能。
因为重点关注修正算法的错误，所以移除数据中的离群值非常重要。
结语
当面对各种机器学习算法，一个新手最常问的问题是「我该使用哪个算法」。要回答这个问题需要考虑很多因素：（1）数据的大小，质量和类型；（2）完成计算所需要的时间；（3）任务的紧迫程度；（4）你需要对数据做什么处理。
在尝试不同算法之前，就算一个经验丰富的数据科学家也不可能告诉你哪种算法性能最好。虽然还有很多其他的机器学习算法，但这里列举的是最常用的几种。如果你是一个机器学习的新手，这几种是最好的学习起点。
via towardsdatascience.com，AI 科技评论编译
机器学习中的模型评价、模型选择与算法选择
机器之心编译
本论文回顾了用于解决模型评估、模型选择和算法选择三项任务的不同技术，并参考理论和实证研究讨论了每一项技术的主要优势和劣势。进而，给出建议以促进机器学习研究与应用方面的最佳实践。
1 简介：基本的模型评估项和技术
机器学习已经成为我们生活的中心，无论是作为消费者、客户、研究者还是从业人员，无论将预测建模技术应用到研究还是商业问题，我认为其共同点是：做出足够好的预测。用模型拟合训练数据是一回事，但我们如何了解模型的泛化能力？我们如何确定模型是否只是简单地记忆训练数据，无法对未见过的样本做出好的预测？还有，我们如何选择好的模型呢？也许还有更好的算法可以处理眼前的问题呢？
模型评估当然不是机器学习工作流程的终点。在处理数据之前，我们希望事先计划并使用合适的技术。本文将概述这类技术和选择方法，并介绍如何将其应用到更大的工程中，即典型的机器学习工作流。
1.1 性能评估：泛化性能 vs. 模型选择
让我们考虑这个问题：「如何评估机器学习模型的性能？」典型的回答可能是：「首先，将训练数据馈送给学习算法以学习一个模型。第二，预测测试集的标签。第三，计算模型对测试集的预测准确率。」然而，评估模型性能并非那么简单。也许我们应该从不同的角度解决之前的问题：「为什么我们要关心性能评估呢？」理论上，模型的性能评估能给出模型的泛化能力，在未见过的数据上执行预测是应用机器学习或开发新算法的主要问题。通常，机器学习包含大量实验，例如超参数调整。在训练数据集上用不同的超参数设置运行学习算法最终会得到不同的模型。由于我们感兴趣的是从该超参数设置中选择最优性能的模型，因此我们需要找到评估每个模型性能的方法，以将它们进行排序。
我们需要在微调算法之外更进一步，即不仅仅是在给定的环境下实验单个算法，而是对比不同的算法，通常从预测性能和计算性能方面进行比较。我们总结一下评估模型的预测性能的主要作用：
评估模型的泛化性能，即模型泛化到未见过数据的能力；
通过调整学习算法和在给定的假设空间中选择性能最优的模型，以提升预测性能；
确定最适用于待解决问题的机器学习算法。因此，我们可以比较不同的算法，选择其中性能最优的模型；或者选择算法的假设空间中的性能最优模型。
虽然上面列出的三个子任务都是为了评估模型的性能，但是它们需要使用的方法是不同的。本文将概述解决这些子任务需要的不同方法。
我们当然希望尽可能精确地预测模型的泛化性能。然而，本文的一个要点就是，如果偏差对所有模型的影响是等价的，那么偏差性能评估基本可以完美地进行模型选择和算法选择。如果要用排序选择最优的模型或算法，我们只需要知道它们的相对性能就可以了。例如，如果所有的性能评估都是有偏差的，并且低估了它们的性能（10%），这不会影响最终的排序。更具体地说，如果我们得到如下三个模型，这些模型的预测准确率如下：
M2: 75% > M1: 70% > M3: 65%,
如果我们添加了10%的性能偏差（低估），则三种模型的排序没有发生改变：
M2: 65% > M1: 60% > M3: 55%.
但是，注意如果最佳模型（M2）的泛化准确率是65%，很明显这个精度是非常低的。评估模型的绝对性能可能是机器学习中最难的任务之一。
图 2：留出验证方法的图示。
2 Bootstrapping和不确定性
本章介绍一些用于模型评估的高级技术。我们首先讨论用来评估模型性能不确定性和模型方差、稳定性的技术。之后我们将介绍交叉验证方法用于模型选择。如第一章所述，关于我们为什么要关心模型评估，存在三个相关但不同的任务或原因。
我们想评估泛化准确度，即模型在未见数据上的预测性能。
我们想通过调整学习算法、从给定假设空间中选择性能最好的模型，来改善预测性能。
我们想确定手头最适合待解决问题的机器学习算法。因此，我们想对比不同的算法，选出性能最好的一个；或从算法的假设空间中选出性能最好的模型。
图 3：偏差和方差的不同组合的图示。
图 4：在MNIST数据集上softmax分类器的学习曲线。
图 5：二维高斯分布中的重复子采样。
3 交叉验证和超参数优化
几乎所有机器学习算法都需要我们机器学习研究者和从业者指定大量设置。这些超参数帮助我们控制机器学习算法在优化性能、找出偏差方差最佳平衡时的行为。用于性能优化的超参数调整本身就是一门艺术，没有固定规则可以保证在给定数据集上的性能最优。前面的章节提到了用于评估模型泛化性能的留出技术和bootstrap技术。偏差-方差权衡和计算性能估计的不稳定性方法都得到了介绍。本章主要介绍用于模型评估和选择的不同交叉验证方法，包括对不同超参数配置的模型进行排序和评估其泛化至独立数据集的性能。
本章生成图像的代码详见：https://github.com/rasbt/model-eval-article-supplementary/blob/master/code/resampling-and-kfold.ipynb。
图 11：logistic 回归的概念图示。
我们可以把超参数调整（又称超参数优化）和模型选择的过程看作元优化任务。当学习算法在训练集上优化目标函数时（懒惰学习器是例外），超参数优化是基于它的另一项任务。这里，我们通常想优化性能指标，如分类准确度或接受者操作特征曲线（ROC曲线）下面积。超参数调整阶段之后，基于测试集性能选择模型似乎是一种合理的方法。但是，多次重复使用测试集可能会带来偏差和最终性能估计，且可能导致对泛化性能的预期过分乐观，可以说是「测试集泄露信息」。为了避免这个问题，我们可以使用三次分割（three-way split），将数据集分割成训练集、验证集和测试集。对超参数调整和模型选择进行训练-验证可以保证测试集「独立」于模型选择。这里，我们再回顾一下性能估计的「3个目标」：
我们想评估泛化准确度，即模型在未见数据上的预测性能。
我们想通过调整学习算法、从给定假设空间中选择性能最好的模型，来改善预测性能。
我们想确定最适合待解决问题的机器学习算法。因此，我们想对比不同的算法，选出性能最好的一个，从算法的假设空间中选出性能最好的模型。
图 12：超参数调整中三路留出方法（three-way holdout method）图示。
图 13：k折交叉验证步骤图示。
图 16：模型选择中k折交叉验证的图示。
论文：Model Evaluation, Model Selection, and Algorithm Selection in Machine Learning
论文链接：https://sebastianraschka.com/pdf/manuscripts/model-eval.pdf
机器学习/深度学习Elements之线性代数 | 知识图谱 | 基本功 | 解读技术
九三智能控
懒人阅读：线性代数是机器学习/深度学习的基石，绝对绕不开。深度学习本质上是通过数据映射规律，映射的过程就是数据在“空间”中的变换，变换遵循的基本法则就是线性代数所描述的内容。因此，线代之于深学，就像加减乘数之于几何（不一定恰当）。
机器学习/深度学习与线性代数的关系
。九三一言以蔽之：想要ML/DL，线性代数必要先行。深度学习本质上是通过数据映射规律，映射的过程就是数据在“空间”中的变换，变换遵循的基本法则就是线性代数所描述的内容。因此，线代之于深学，就像加减乘数之于几何（不一定恰当）。
。机器学习和深度学习：机器学习是AI的一种方式，深度学习又是机器学习一条技术路径，深度学习本质上是通过数据映射规律。
。线性代数（Linear Algebra）的重要性：瑞典数学家Lars Garding在其名著Encounter with Mathematics中说：“如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多。然而“按照现行的国际标准，线性代数是通过公理化来表述的，它是第二代数学模型，这就带来了教学上的困难。”
。重温线代的本质及意义：“高等数学是研究运动的数学”（重温微积分）。首先有空间，空间可以容纳对象运动的。一种空间对应一类对象。有一种空间叫线性空间，线性空间是容纳向量对象运动的。运动是瞬时的，因此也被称为变换。矩阵是线性空间中运动（变换）的描述。矩阵与向量相乘，就是实施运动（变换）的过程。同一个变换，在不同的坐标系下表现为不同的矩阵，但是它们的本质是一样的，所以本征值相同。
线性空间里的基本对象是向量。矩阵是一组向量组成的。特别的，n维线性空间里的方阵是由n个n维向量组成的。矩阵是线性空间里的变换的描述。在一个线性空间中，只要我们选定一组基（坐标系），那么对于任何一个线性变换，都能够用一个确定的矩阵来加以描述。对坐标系施加变换的方法，就是让表示那个坐标系的矩阵与表示那个变化的矩阵相乘。
因此，九三个人理解：线性代数的意义是建立了描述空间运动的基本方法和规则；本质是描述空间、变换中元素、规则的数学语言。
更多详细论述见smallroof关于线性代数的本质：http://blog.csdn.net/myan/article/details/647511
ML/DL必备的线代基础知识图谱
九三根据Ian的《深度学习》整理了线性代数的知识图谱，大家可以按图索骥。
这里不去赘述每一个公式如何推导，但是核心必须要记住：线性代数是空间变换法则的描述。就好像上路开车的交通规则一样，必须要知道行驶规则，否则怎么开车上路呢？
详细阅读建议参考：Ian的《深度学习》圣经（下载地址：九三智能控公众号回复：20171223），第二章对线代基础知识有具体描述，更加深度的学习可以见下一章的资料分享。
资源分享
。可汗学院公开课（力荐）：线性代数：http://open.163.com/special/Khan/linearalgebra.html
。MIT Strang的线性代数公开课：http://v.163.com/special/opencourse/daishu.html，同时推荐他的两本教材（号称北美最流行）：《Introduction to Linear Algebra》, 4th Edition by Gilbert Strang, 《Linear Algebra and Its Applications》, 4th Edition by Gilbert Strang
。俄罗斯的Igor R. Shafarevich 的 《Linear Algebra and Geometry》，这本书把线性代数的几何本质描述地非常清晰。
参考资料
smallroof：线性代数的本质：http://blog.csdn.net/myan/article/details/647511
Ian Goodfellow：深度学习
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能金融”、“智能零售”、“智能驾驶”、“智能城市”；新模式：“财富空间”、“工业互联网”、“数据科学家”、“赛博物理系统CPS”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com
扫一扫
975
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
