“大數(shù)據(jù)”與其說是過時了，倒不如說還沒有真正開始。只要摩爾定律還在生效，每過18個月電子技術就要翻一番的話，那么大數(shù)據(jù)時代就只能在路上。這是因為，隨著計算技術的不斷進步，存儲成本的不斷降低，人們有越來越多的資本去收集更多的數(shù)據(jù)，進行更顆?；姆治?。然而，在傳統(tǒng)的數(shù)據(jù)分析中，當數(shù)據(jù)量大到一定的程度時，分析結果就不會進一步優(yōu)化了。

舉一個最簡單的線形分類的例子，對于平面上一堆被零散放置的兩種球(紅球和藍球)，通過畫一條直線盡可能好的將兩類球分開，然后對于新的放進來的球(可能被包起來)，單憑直線的劃分去判斷新球的顏色。很容易就可以看出，由于我們分類的模型相當簡單(只有一條直線)，那么海量的數(shù)據(jù)可能對于提升模型精度的意義不是太大，這也是傳統(tǒng)數(shù)據(jù)科學遇到的問題。機器學習(數(shù)據(jù)科學主要的分析手段)方法遇到的主要瓶頸也在這里，在這種情況下，更多的數(shù)據(jù)是沒有更大意義的。

深度學習使得這一瓶頸得到突破，這一學習方法簡單來說就是通過多層、多個計算算子進行分析，從而可以建立足夠復雜的模型，以提高數(shù)據(jù)分析能力。這種方法也被稱為神經(jīng)網(wǎng)絡，因為每個算子就像神經(jīng)一樣微小而彼此相連，當然這一科學本身并沒有仿生學的意義，只是僅僅看上去與神經(jīng)相類似而已。在這種學習方法下，更大的數(shù)據(jù)量通常可以帶來更高的精度，而且還存在精度從量變到質變提升的可能，因此數(shù)據(jù)科學家們對數(shù)據(jù)的需求也突然增大，大數(shù)據(jù)科學也因此應運而生。

對深度學習的詬病之一，是由于模型開始復雜起來，人們沒有辦法再像一條直線那樣容易理解機器分類的標準規(guī)范。當存在理解的黑洞時，機器學習在一部分人眼中也就成了巫術。比如，給模型提供一批好的作文和不那么好的作文，經(jīng)過學習，機器可以對新的作文進行評分，這些評分僅僅是根據(jù)前面提供的素材學習而來的,但是機器無法給出詳細的評分理由，這就讓結果的信任度大打折扣。不過，近來有關于深度學習算法原理的解釋，這可能是把深度學習從“巫術”變成有理論支撐的科學的第一步。

無論怎么說，隨著深度學習的快速發(fā)展，大數(shù)據(jù)應該只是僅僅拉開了幕布一角，遠沒有到全面降臨的時刻。而隨著深度學習、人工智能(后者往往是以前者為基礎的)的快速發(fā)展，對數(shù)據(jù)需求的量級也會越來越多，到那時，可能才是真正的“大數(shù)據(jù)時代”

新聞名稱：“大數(shù)據(jù)”已經(jīng)過時了嗎
當前URL：http://jinyejixie.com/news6/100556.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站制作、服務器托管、電子商務、建站公司、網(wǎng)站策劃、網(wǎng)站收錄

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經(jīng)允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)