
预测2015:智能大数据分析成热点_数据分析师
“现在对大数据来讲就是两个字"落地",我们开会请一些专家讲大数据多么重要,没有什么意义,各个省市的领导都讲大数据,这已经不是新的东西。”中国工程院院士李国杰在2014中国大数据技术大会上首个发言,直接点题:“产业界很重要的一件事情是怎么样把大数据用来提高我们国家我们政府治理能力现代化,这个不亚于提高GDP。”
李国杰认为,在应用上,云计算、3D打印技术从技术出现到产业化可能是2到5年,但大数据会更长些,从实践转换成主流产业可能需要5~10年。以前我们的经济增长主要靠资源和汗水,而下一步的经济发展要靠智力创新,要以大数据的应用来以减少能耗,降低环境污染。
2012年,“大数据”一词开始大热。两年来,已经在商业、工业、交通、医疗、社会管理等多方面有了应用,在今年的第二届大数据技术大会上,已经少有人讲重要性,更多是应用、技术以及最底层的算法。
中科院计算所研究员、中国计算机学会大数据专家委员会秘书长程学旗发表了大数据白皮书与发展趋势报告。这份报告由中国计算机学会大数据专家委员会和中关村大数据产业联盟组织撰写,用时大半年。
对2015年大数据发展预测,共有10个方面。首先就是结合智能计算的大数据分析成为热点,包括大数据与神经计算、深度学习、语义计算以及人工智能其他相关技术结合,成为大数据分析领域的热点。
第二点是数据科学将带动多学科融合,但是数据科学作为新兴的学科,其学科基础问题体系尚不明朗,数据科学自身的发展尚未成体系。
第三是跨学科领域交叉的数据融合分析与应用将成为今后大数据分析应用发展的重大趋势。大数据技术发展的目标是应用落地,因此大数据研究不能仅仅局限于计算技术本身。
大数据将与物联网、移动互联、云计算、社会计算等热点技术领域相互交叉融合,产生很多综合性应用。近年来计算机和信息技术发展的趋势是,前端更前伸,后端更强大。物联网与移动计算加强了与物理世界和人的融合,大数据和云计算加强了后端的数据存储管理和计算能力。今后,这几个热点技术领域将相互交叉融合,产生很多综合性应用。
此外,十大趋势还包括:大数据多样化处理模式与软硬件基础设施逐步夯实;大数据的安全和隐私问题持续令人担忧;新的计算模式将取得突破;各种可视化技术和工具提升大数据分析;大数据技术课程体系建设和人才培养是需要高度关注的问题;开源系统将成为大数据领域的主流技术和系统选择。
程学旗用“融合、跨界、基础、突破”来总结这十大趋势。他进一步解释,融合是说在产业里面,比如说在垂直行业的融合,在企业里面垂直融合,应用融合、技术融合等;跨界,基于大数据使不同学科不同应用领域跨界;基础,就是说我们大数据发展亟待在一些基础方面进一步地夯实,2014年比2013年基础更强,我们期待2015年基础进一步的夯实,包括生态环境,包括大数据资源的共享;突破,我们会在预测在2015年在一些大数据的分析,大数据的一些系统方面能够取得相关性的突破。
对于大数据研究的难点,很多人把数据公开列在第一位。对此,李国杰认为“共享”更准确一些。对于政府部门的难点在于公开的尺度,另外是否有能力把数据用好。而指望商业公司拿出数据,不现实,因为这些数据的获得是商业公司的投入。
但对于这种说法,一些人并不认同。中国人民大学教授信息学院院长杜小勇教授认为,现在高校和研究机构拿到数据不是问题,关键是企业提出解决不了的问题,把数据拿出来,求助于研究者,研究者是否能够有效解决。就像大数据比赛,让企业出的题目才会是真正的问题。
另外,大数据人才也是一个重要问题。现在的问题是既对行业熟悉,又能融合创新的顶类人才稀少。李国杰强调一点,“现在要让企业和研究者明白一点,数据不是在谁手中,谁就有优势,而是要大家一起研究,融合跨界研究,数据才会产生财富。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15