核心技术来源及方式

总的来说大数据有5个部分。数据采集，数据存储，数据清洗，数据挖掘，数据可视化。还有新兴的实时流处理，可能还有别的

民族语言沉淀的是人类“无意识”的“零星”的“自由”创造！世界通用语应该是人类“有意识”的“系统”的“科学”创造！

人工智能一般分为五项核心技术：计算机视觉、机器学习、自然语言处理、机器人技术和语音识别技术。这里面的一些技术是相辅相成的。同时这些技术也包含了很多，其他的技术在里面。比如说机器人技术，他就要求你熟练掌握各种编程语言，讯号的互联互通核心材料的应用等等。

大数据采集大数据采集，即对各种来源的结构化和非结构化海量数据，所进行的采集。数据库采集：流行的有Sqoop和ETL，传统的关系型数据库MySQL和Oracle 也依然充当着许多企业的数据存储方式。当然了，目前对于开源的Kettle和Talend本身，也集成了大数据集成内容，可实现hdfs，hbase和主流Nosq数据库之间的数据同步和集成。网络数据采集：一种借助网络爬虫或网站公开API，从网页获取非结构化或半结构化数据，并将其统一结构化为本地数据的数据采集方式。文件采集：包括实时文件采集和处理技术flume、基于ELK的日志采集和增量采集等等。大数据预处理大数据预处理，指的是在进行数据分析之前，先对采集到的原始数据所进行的诸如“清洗、填补、平滑、合并、规格化、一致性检验”等一系列操作，旨在提高数据质量，为后期分析工作奠定基础。数据预处理主要包括四个部分：数据清理、数据集成、数据转换、数据规约。数据清理：指利用ETL等清洗工具，对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)、不一致数据进行处理。数据集成：是指将不同数据源中的数据，合并存放到统一数据库的，存储方法，着重解决三个问题：模式匹配、数据冗余、数据值冲突检测与处理。数据转换：是指对所抽取出来的数据中存在的不一致，进行处理的过程。它同时包含了数据清洗的工作，即根据业务规则对异常数据进行清洗，以保证后续分析结果准确性。数据规约：是指在最大限度保持数据原貌的基础上，最大限度精简数据量，以得到较小数据集的操作，包括：数据方聚集、维规约、数据压缩、数值规约、概念分层等。大数据存储，指用存储器，以数据库的形式，存储采集到的数据的过程，包含三种典型路线：1、基于MPP架构的新型数据库集群采用Shared Nothing架构，结合MPP架构的高效分布式计算模式，通过列存储、粗粒度索引等多项大数据处理技术，重点面向行业大数据所展开的数据存储方式。具有低成本、高性能、高扩展性等特点，在企业分析类应用领域有着广泛的应用。较之传统数据库，其基于MPP产品的PB级数据分析能力，有着显著的优越性。自然，MPP数据库，也成为了企业新一代数据仓库的最佳选择。2、基于Hadoop的技术扩展和封装基于Hadoop的技术扩展和封装，是针对传统关系型数据库难以处理的数据和场景（针对非结构化数据的存储和计算等），利用Hadoop开源优势及相关特性（善于处理非结构、半结构化数据、复杂的ETL流程、复杂的数据挖掘和计算模型等），衍生出相关大数据技术的过程。伴随着技术进步，其应用场景也将逐步扩大，目前最为典型的应用场景：通过扩展和封装 Hadoop来实现对互联网大数据存储、分析的支撑，其中涉及了几十种NoSQL技术。3、大数据一体机这是一种专为大数据的分析处理而设计的软、硬件结合的产品。它由一组集成的服务器、存储设备、操作系统、数据库管理系统，以及为数据查询、处理、分析而预安装和优化的软件组成，具有良好的稳定性和纵向扩展性。四、大数据分析挖掘从可视化分析、数据挖掘算法、预测性分析、语义引擎、数据质量管理等方面，对杂乱无章的数据，进行萃取、提炼和分析的过程。1、可视化分析可视化分析，指借助图形化手段，清晰并有效传达与沟通信息的分析手段。主要应用于海量数据关联分析，即借助可视化数据分析平台，对分散异构数据进行关联分析，并做出完整分析图表的过程。具有简单明了、清晰直观、易于接受的特点。2、数据挖掘算法数据挖掘算法，即通过创建数据挖掘模型，而对数据进行试探和计算的，数据分析手段。它是大数据分析的理论核心。数据挖掘算法多种多样，且不同算法因基于不同的数据类型和格式，会呈现出不同的数据特点。但一般来讲，创建模型的过程却是相似的，即首先分析用户提供的数据，然后针对特定类型的模式和趋势进行查找，并用分析结果定义创建挖掘模型的最佳参数，并将这些参数应用于整个数据集，以提取可行模式和详细统计信息。3、预测性分析预测性分析，是大数据分析最重要的应用领域之一，通过结合多种高级分析功能（特别统计分析、预测建模、数据挖掘、文本分析、实体分析、优化、实时评分、机器学习等），达到预测不确定事件的目的。帮助分用户析结构化和非结构化数据中的趋势、模式和关系，并运用这些指标来预测将来事件，为采取措施提供依据。4、语义引擎语义引擎，指通过为已有数据添加语义的操作，提高用户互联网搜索体验。5、数据质量管理指对数据全生命周期的每个阶段（计划、获取、存储、共享、维护、应用、消亡等）中可能引发的各类数据质量问题，进行识别、度量、监控、预警等操作，以提高数据质量的一系列管理活动。以上是从大的方面来讲，具体来说大数据的框架技术有很多，这里列举其中一些：文件存储：Hadoop HDFS、Tachyon、KFS离线计算：Hadoop MapReduce、Spark流式、实时计算：Storm、Spark Streaming、S4、HeronK-V、NOSQL数据库：HBase、Redis、MongoDB资源管理：YARN、Mesos日志收集：Flume、Scribe、Logstash、Kibana消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid分布式协调服务：Zookeeper集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager数据挖掘、机器学习：Mahout、Spark MLLib数据同步：Sqoop任务调度：Oozie

人工智能的核心技术，估计国内，包括搞人工智能的院士，没几个人清楚。核心技术主要有，或者说只包括三方面：学习、推理和识别，这方面已经产生过两个诺贝尔奖，但学习和推理部分，截止到目前，理论并不完善，或者说很不完善，还有大量的基础问题需要解决，比如边缘计算问题。截止到目前，人工智能只停留在第三阶段，离真正的人工智能还相距甚远，需要大量的基础和关键理论来解决问题。顺便说一句：国内好多院士，把终端计算说成边缘计算，在理论上张冠李戴、混淆视听，其实是错的。

后来朱江洪回忆说：“我们科研人员没有辜负期望，我们只用了一年的时间就研发出来了。5年过后，戏剧性的场面出现了，先后有3家日本企业来到格力，恳请并购合作。2008年8月代表中日两国空调行业最高水平的巨头终于走在了一起，共同成立了“格力大金”。

核心技术又可分为技术核心和设计核心。技术核心是在基础理论基础上在确定技术路线情况下支撑产品实现的技术选择中的关键部分，如东方电机为解决水轮机转子叶片在高水头条件下振动问题，由国外对转子外条件的改善技术上转移到对转子本身的重设计采取燃气轮机涡轮叶片设计思路进行。完成这条思路的技术和工艺就是核心技术。 核心技术的特点:首先，核心技术优势具有不可复制性，是企业基于对产业、市场和用户的深刻洞察，以及环境长期孕育形成的，有独特的市场价值，能够解决重大的市场问题。　　其二，核心技术开发投入大、周期长、代价高。　　其三，核心技术开发和形成需要一个稳定的队伍、一种激励机制、一种超前的理念和一个科学的流程。它是一个科研体系一个技术体系，包括工艺、设备、配件、原材料、实验室技术、基础理论、中试、工艺样机生产等一系列评审、市场调研等等的整个一个体系。 核心技术的涵义:核心技术是企业较长时期积累的一组先进复杂的、具有较大用户价值的技术和能力的集合体，而不是单个分散的技术或服务。可以从三个方面来界定：　　一、延展性。核心技术是那些可以打开多种不同类型产品潜在市场大门的技术，毕竟企业最终交付给客户的是具体产品，而非单纯的技术模块，所以核心技术支撑的产品领域也直接决定了核心技术的最终价值，发展“未来的核心技术”，也是硅谷许多创业公司的成功之道；中星微电子通过在数字多媒体芯片技术方面的突破获得巨大的成功，数字多媒体芯片技术具体在众多“眼球行业”有广泛的应用，具体从移动数字影像产业到数码相机、宽带数字多媒体通信、数字高清晰电视，这是一个产值达数十亿美元的巨大的产业，而目前群雄纷争，尚无霸主。　　二、核心价值性。核心专长必须是使公司为用户提供根本性好处的技能。否则为一般应用技术，核心技术往往对产品的核心部件有直接的帮助，主要体现在全新产品的出现、性能的提升、成本的下降等方面，例如Google的搜索算法核心技术，使Google的检索速度大幅提升，适应当今互联网的现实需要。　　三、先进、复杂及难以模仿性。　　核心技术是企业的其它具体产品的技术平台，是公司产品平台的基础，产品平台往往是众多核心技术的集合体，通过产品平台实现了核心技术的最终价值，有效实现产品间的共享，同时还有效实现了技术的保密，产品平台是终端产品快速、低成本、低风险地推向市场的基础，通过产品平台可以有效降低产品开发成本、缩短产品开发周期、提升产品质量。

大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、NoSQL数据库、数据仓库、机器学习、并行计算、可视化等各种技术范畴和不同的技术层面。首先给出一个通用化的大数据处理框架，主要分为下面几个方面：数据采集与预处理、数据存储、数据清洗、数据查询分析和数据可视化。数据采集有硬件采集，如OBD，有软件采集，如滴滴，淘宝。数据存储就包括NOSQL，hadoop等等。数据清洗包括语议分析，流媒体格式化等等。数据挖掘包括关联分析，相似度分析，距离分析，聚类分析等等。数据可视化就是WEB的了。

大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、数据库、数据仓库、机器学习、并行计算、可视化等。1、数据采集与预处理：Flume NG实时日志收集系统，支持在日志系统中定制各类数据发送方，用于收集数据；Zookeeper是一个分布式的，开放源码的分布式应用程序协调服务，提供数据同步服务。2、数据存储：Hadoop作为一个开源的框架，专为离线和大规模数据分析而设计，HDFS作为其核心的存储引擎，已被广泛用于数据存储。HBase，是一个分布式的、面向列的开源数据库，可以认为是hdfs的封装，本质是数据存储、NoSQL数据库。3、数据清洗：MapReduce作为Hadoop的查询引擎，用于大规模数据集的并行计算4、数据查询分析：Hive的核心工作就是把SQL语句翻译成MR程序，可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能。Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。5、数据可视化：对接一些BI平台，将分析得到的数据进行可视化，用于指导决策服务。