基礎設施和分析工具
轉發評論+私信“學習”即可領取python視頻教程
從行業的角度來看，數據生態系統仍然像以往一樣令人興奮和充滿活力，擁有豐富的創新初創企業、成熟的“規模擴展”，以及許多積極的公共技術供應商。最重要的是，許多大大小小的客戶都在大規模地應用這些技術，並從他們的努力中獲得不可否認的價值。
隨著用更現代的數據產品替代舊的IT技術的循環繼續，大數據市場(基礎設施、分析)似乎正在快速地在早期的大多數買家中循環，並逐漸過渡到傳統採用曲線的晚期。
此外，數據世界繼續朝著雲的方向發展。考慮到大型公共雲服務提供商(AWS、Azure、谷歌雲平臺、IBM)的增長速度，每個季度都能產生數十億美元的收入，這真是令人震驚。這一趨勢引發了對供應商鎖定的持續關注，這可能為提供多雲解決方案的初創公司提供機會。然而，到目前為止，採用多雲策略的公司仍然傾向於依賴一個供應商作為他們的主要提供者。
隨著他們的業務不斷髮展，大型雲提供商通過其平臺（如 Amazon Neptune、Google AutoML 等）提供一系列廣泛的大數據、數據工程和機器學習工具，通常都制定了激進的定價策略，因而相互競爭越來越激烈，這一切都是為了吸引更多的開發者，因為他們真正的商業模式是數據存儲。隨著此類工具的範圍和成熟度不斷提高，這對數據技術領域產生了重大影響，可以說，初創企業更難與之競爭，至少在廣闊的、橫向的機遇面前就是如此。每年在大型雲供應商會議上發佈的產品公告列表（如 AWS re:Invent）會給初創企業帶來巨大的衝擊波，因為他們將雲供應商與數十家風投支持的初創企業直接競爭。看看公眾市場如何應對即將到來的 Elastic（一家開源軟件企業）IPO 將是一件有趣的事。
然而，只要初創企業有足夠的差異化，他們還是有很多機會的。在這個領域中，很多企業都在快速擴展，在生態系統的基礎設施和分析部分中有許多特別有趣、快速增長的部分，包括流 / 實時、數據管控和數據結構 / 虛擬化。人們對人工智能的興趣激增，也帶來了在人工智能芯片、GPU 數據庫、人工智能 DevOps 工具以及能夠在企業中部署數據科學和機器學習的平臺上的巨大機遇，以及大量資金。
2）機器學習和人工智能
在人工智能研究領域，這無疑是瘋狂的一年，從 AlphaZero 的威力到新技術發佈的驚人速度——生成對抗網絡的新形式，替代型的遞歸神經網絡，Geoff Hinton 的新膠囊網絡。像 NIPS 這樣的人工智能會議已經吸引了 8000 人，每天都有成千上萬的學術論文提交。
與此同時，對 AGI 的追求仍然難以捉摸，這也許是值得謝天謝地的事兒。目前人們對人工智能的興奮和恐懼，大部分源於 2012 年以來令人印象深刻的深度學習表現，但在人工智能研究領域中，有一種情緒在人們中日益瀰漫開來：“接下來怎麼辦？”因為有些人質疑深度學習的基礎（反向傳播），而其他一些人希望能夠超越他們所認為的“蠻力”方法（大量數據、大量算力），或許更傾向於採用更多基於神經科學的方法。
在人工智能研究領域，許多人非但不擔心機器人主宰世界，反而擔心，該領域持續的過度炒作可能最終會讓人失望，並導致另一個人工智能核冬天的到來。
然而，在人工智能研究之外，我們正處於一波深度學習在現實世界中的部署和應用浪潮的開端，涉及不同行業的語音識別、圖像分類、對象識別和語言等各種問題。如果說生態系統的基礎設施和分析部分已經發展到後期的大多數，那麼對於企業和垂直人工智能應用來說，我們仍然是非常早期的先驅者。
儘管人工智能初創市場可以說已經顯示出最終降溫的跡象，但以深度學習為基礎的初創企業在一兩年前開始暴增的情況依然在繼續。整體規模和估值的期望仍然很高，但 我們肯定已經經過了這樣一個階段：大型互聯網企業會為了人才而高價收購早期人工智能初創企業。 與其他一些利用這種炒作的企業相比，市場中也出現了一些“真正”的人工智能初創企業。在 2014~2016 年期間成立的一些人工智能初創企業正開始初具規模，許多企業在醫療、金融、“工業 4.0”和後臺辦公自動化等跨行業和垂直領域提供越來越有趣的產品。在未來的幾年裡，深度學習將繼續為現實世界的應用帶來巨大的價值，而專注於垂直方向的人工智能初創企業將面臨許多巨大的機遇。
這種持續的爆炸在很大程度上是一個全球現象，加拿大、法國、德國、英國和以色列都特別活躍。然而，中國在人工智能方面似乎處在一個完全不同的水平，有報道稱，政府主導的數據彙集規模令人難以置信（跨越了互聯網企業和市政當局），面部識別和人工智能芯片等領域的迅速發展，以及為初創企業提供數輪鉅額融資：根據 CB Insights 的數據，中國僅佔全球人工智能交易份額的 9%，但 2017 年在全球人工智能資金的比例接近 48%，高於 2016 年的 11%（見下面的一些例子）。
同樣，數據隱私（以及所有權和安全性）問題也正成為全球關注的主要問題。在互聯網發展的早期，數據隱私是為了保護我們在網上所做的事情，這是我們活動中相對較小的一部分。相應地，只有一小部分人真正在乎數據隱私的問題。隨著我們個人和職業生活的方方面面都通過越來越多的聯網設備連接到互聯網上，利害關係正在發生變化。人工智能能夠在大量數據集中發現異常、預測結果和識別人臉，這使數據隱私問題變得更加複雜。
另一個獨立但相關的問題是，這些數據中有很多都屬於大型互聯網企業 (GAFA) 所有。有些企業，比如 Facebook，已經被證明不是完美的管理者。儘管如此，這些數據為他們在生產更強大人工智能的競爭中提供了不公平的優勢。
針對這些問題，一個新興的主題是把區塊鏈看作是對抗人工智能風險的一種可能的方式，同時也是在 GAFA 之外的企業生產更為出色的人工智能的另一種方式。加密經濟被視為一種激勵個人提供個人數據的方式，也是機器學習工程師通過匿名處理這些數據建立模型的一種方式。這一切仍處於試驗階段，但一些早期的市場和網絡正在出現。
人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。
“人工”比較好理解，爭議性也不大，有時候我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智能等等，但總的來說，“人工系統”就是通常意義下的人工系統。關於什麼是智能就問題多多了，這涉及到其他諸如意識、自我、思維（包括無意識的思維）等等問題，人唯一瞭解的智能是人本身的智能，這是普遍認同的觀點。
人工智能發展到現在，可以說普及度已經相當高了。人工智能已經列入了國務院的人工智能發展規劃中，並在未來扮演著越來越重要的角色。但是對於如何學習，依舊有不少技術人覺得無從下手。的確，人工智能複雜，但並不神秘。它建立在以線性代數和概率論為骨架的基礎數學上，通過簡單模型的組合實現複雜功能。在工程上，深度神經網絡通常以其恆河沙數般的參數讓人望而卻步；可在理論上，其數學原理卻具有更好的可解釋性。從事年薪百萬的高端研究固然需要非凡的頭腦，但理解人工智能的基本原理絕非普通人遙不可及的夢想。
如果上網查查，你會發現各方牛人們都在說，入門級的 AI 玩家需要至少擁有：
包括高等數學、線性代數、概率論與數理統計在內的大學數學知識；
使用一種到多種編程語言的能力，如 Python、C++、Java；
比較熟練的英語閱讀能力，用於閱讀論文；
相當的人工神經網絡知識；
等等......
為了讓大部分人有一條清晰的學習路線，整理出了以下內容給各位AI圈的技術猿學習，包括數學基礎、機器學習和深度學習等等模塊。非常推薦大家學習，本次學習資料是免費分享給大家。
精選福利：
轉發、評論、點贊後點擊主編頭像、關注主編後私聊主編"學習"即可免費獲取全套學習資料，主編髮的所有資源都是免費分享。
01、機器學習的數學基礎1 - 數學分析（8個文件，合計725M）
02、數學基礎2 - 數理統計與參數估計（3個文件，合計678M）
03、數學基礎3 - 矩陣和線性代數（2個文件，合計525M）
04、數學基礎4 - 凸優化（2個文件，合計664M）
05、Python基礎及其數學庫的使用（3個文件，合計1008M）
06、Python基礎及其機器學習庫的使用（3個文件，合計828M）
07、迴歸（2個文件，合計660M）
08、迴歸實踐（4個文件，合計765M）
09、決策樹和隨機森林（2個文件，合計1.17G）
10、隨機森林實踐（3個文件，合計1.84G）
11、提升（2個文件，合計1.16G）
12、XGBoost（5個文件，合計1.88G）
13、SVM（2個文件，合計972M）
14、SVM實踐（3個文件，合計1.87G）
15、聚類（3個文件，合計188M）
16、聚類實踐（4個文件，合計1.89G）
17、EM算法（2個文件，合計625M）
18、EM算法實踐（3個文件，合計523M）
19、貝葉斯網絡（2個文件，合計651M）
20、樸素貝葉斯實踐（3個文件，合計812M）
21、主題模型LDA（2個文件，合計858M）
22、LDA實踐（3個文件，合計1.14G）
23、隱馬爾科夫模型HMM（2個文件，合計854M）
24、HMM實踐（3個文件，合計875M）
2018人工智能&大數據全景圖
轉發評論+私信“學習”即可領取python視頻教程
轉發評論+私信“學習”即可領取python視頻教程
全景圖涵蓋了大數據人工智能行業的基礎架構、開源框架、數據API、數據資源、跨基礎結構分析、工業應用、企業應用、分析工具等，涵蓋有1095家大數據公司被納入全景圖。
出現在全景圖的一些關鍵公司上市了，尤其是Cloudera、MongoDB Pivotal和Zuora。在撰寫本文時，其他的正在準備上市，比如Elastic。
閱讀更多 小小可愛編 的文章
