關(guān)于大數(shù)據(jù)，依然有很多朋友在不斷提問(wèn)，什么是大數(shù)據(jù)？其實(shí)有時(shí)候我也說(shuō)不清楚所問(wèn)之題，所以特地整理如下的QA，方便學(xué)習(xí)：

金牛ssl適用于網(wǎng)站、小程序/APP、API接口等需要進(jìn)行數(shù)據(jù)傳輸應(yīng)用場(chǎng)景，ssl證書未來(lái)市場(chǎng)廣闊！成為創(chuàng)新互聯(lián)建站的ssl證書銷售渠道，可以享受市場(chǎng)價(jià)格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：13518219792（備注：SSL證書合作）期待與您的合作！

什么是大數(shù)據(jù)？

大數(shù)據(jù)（big data），指無(wú)法在一定時(shí)間范圍內(nèi)用常規(guī)軟件工具進(jìn)行捕捉、管理和處理的數(shù)據(jù)集合，是需要新處理模式才能具有更強(qiáng)的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長(zhǎng)率和多樣化的信息資產(chǎn)。

大數(shù)據(jù)的單位有哪些？

最小的基本單位是bit，按順序給出所有單位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。

大數(shù)據(jù)有哪些特征？

大數(shù)據(jù)的5V特點(diǎn)（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價(jià)值密度）、Veracity（真實(shí)性）

大數(shù)據(jù)主要技術(shù)是哪些？

大數(shù)據(jù)需要特殊的技術(shù)，以有效地處理大量的容忍經(jīng)過(guò)時(shí)間內(nèi)的數(shù)據(jù)。適用于大數(shù)據(jù)的技術(shù)，包括大規(guī)模并行處理（MPP）數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘、分布式文件系統(tǒng)、分布式數(shù)據(jù)庫(kù)、云計(jì)算平臺(tái)、互聯(lián)網(wǎng)和可擴(kuò)展的存儲(chǔ)系統(tǒng)。

大數(shù)據(jù)的國(guó)家政策是什么？

2015年9月，國(guó)務(wù)院印發(fā)《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》，明確到2020年，形成一批具有國(guó)際競(jìng)爭(zhēng)力的大數(shù)據(jù)處理、分析、可視化軟件和硬件支撐平臺(tái)等產(chǎn)品，培育10家國(guó)際領(lǐng)先的大數(shù)據(jù)核心龍頭企業(yè)，500家大數(shù)據(jù)應(yīng)用、服務(wù)和產(chǎn)品制造企業(yè)。

大數(shù)據(jù)的市場(chǎng)規(guī)模有多大？

研究機(jī)構(gòu)IDC預(yù)測(cè)，全球大數(shù)據(jù)（Big Data）與分析市場(chǎng)規(guī)模將由2015年的1220億美元，在5年間成長(zhǎng)超過(guò)50%，并在2019年底達(dá)到1870億美元的規(guī)模。中國(guó)信息通信研究院日前發(fā)布的《中國(guó)大數(shù)據(jù)發(fā)展調(diào)查報(bào)告（2017）》稱，2016年中國(guó)大數(shù)據(jù)市場(chǎng)規(guī)模達(dá)168億元，預(yù)計(jì)2017年~2020年仍將保持30%以上的增長(zhǎng)。調(diào)查顯示，目前近六成企業(yè)已成立數(shù)據(jù)分析相關(guān)部門，超過(guò)1/3的企業(yè)已經(jīng)應(yīng)用大數(shù)據(jù)。大數(shù)據(jù)應(yīng)用為企業(yè)帶來(lái)最明顯的效果是實(shí)現(xiàn)了智能決策和提升了運(yùn)營(yíng)效率。

你必須知道的十個(gè)大數(shù)據(jù)案例是哪些？

1. 梅西百貨的實(shí)時(shí)定價(jià)機(jī)制。根據(jù)需求和庫(kù)存的情況，該公司基于SAS的系統(tǒng)對(duì)多達(dá)7300萬(wàn)種貨品進(jìn)行實(shí)時(shí)調(diào)價(jià)。

2. Tipp24 AG針對(duì)歐洲bocai業(yè)構(gòu)建的下注和預(yù)測(cè)平臺(tái)。該公司用KXEN軟件來(lái)分析數(shù)十億計(jì)的交易以及客戶的特性，然后通過(guò)預(yù)測(cè)模型對(duì)特定用戶進(jìn)行動(dòng)態(tài)的營(yíng)銷活動(dòng)。這項(xiàng)舉措減少了90%的預(yù)測(cè)模型構(gòu)建時(shí)間。SAP公司正在試圖收購(gòu)KXEN。“SAP想通過(guò)這次收購(gòu)來(lái)扭轉(zhuǎn)其長(zhǎng)久以來(lái)在預(yù)測(cè)分析方面的劣勢(shì)。”Laney分析到。

3. 沃爾瑪?shù)乃阉鳌＿@家零售業(yè)寡頭為其網(wǎng)站W(wǎng)almart.com自行設(shè)計(jì)了最新的搜索引擎Polaris，利用語(yǔ)義數(shù)據(jù)進(jìn)行文本分析、機(jī)器學(xué)習(xí)和同義詞挖掘等。根據(jù)沃爾瑪?shù)恼f(shuō)法，語(yǔ)義搜索技術(shù)的運(yùn)用使得在線購(gòu)物的完成率提升了10%到15%。“對(duì)沃爾瑪來(lái)說(shuō)，這就意味著數(shù)十億美元的金額。”Laney說(shuō)。

4. 快餐業(yè)的視頻分析（Laney沒(méi)有說(shuō)出這家公司的名字）。該公司通過(guò)視頻分析等候隊(duì)列的長(zhǎng)度，然后自動(dòng)變化電子菜單顯示的內(nèi)容。如果隊(duì)列較長(zhǎng)，則顯示可以快速供給的食物;如果隊(duì)列較短，則顯示那些利潤(rùn)較高但準(zhǔn)備時(shí)間相對(duì)長(zhǎng)的食品。

5. Morton牛排店的品牌認(rèn)知。當(dāng)一位顧客開(kāi)玩笑地通過(guò)推特向這家位于芝加哥的牛排連鎖店訂餐送到紐約Newark機(jī)場(chǎng)（他將在一天工作之后抵達(dá)該處）時(shí)，Morton就開(kāi)始了自己的社交秀。首先，分析推特?cái)?shù)據(jù)，發(fā)現(xiàn)該顧客是本店的?？?，也是推特的常用者。根據(jù)客戶以往的訂單，推測(cè)出其所乘的航班，然后派出一位身著燕尾服的侍者為客戶提供晚餐。也許，這聽(tīng)起來(lái)過(guò)于離奇，但是你必須審視自己：“我是否有能力做到這個(gè)程度？”Laney說(shuō)。

6. PredPol Inc.。PredPol公司通過(guò)與洛杉磯和圣克魯斯的警方以及一群研究人員合作，基于地震預(yù)測(cè)算法的變體和犯罪數(shù)據(jù)來(lái)預(yù)測(cè)犯罪發(fā)生的幾率，可以精確到500平方英尺的范圍內(nèi)。在洛杉磯運(yùn)用該算法的地區(qū)，盜竊罪和暴力犯罪分布下降了33%和21%。

7. Tesco PLC（特易購(gòu)）和運(yùn)營(yíng)效率。這家超市連鎖在其數(shù)據(jù)倉(cāng)庫(kù)中收集了700萬(wàn)部冰箱的數(shù)據(jù)。通過(guò)對(duì)這些數(shù)據(jù)的分析，進(jìn)行更全面的監(jiān)控并進(jìn)行主動(dòng)的維修以降低整體能耗。

8. American Express（美國(guó)運(yùn)通，AmEx）和商業(yè)智能。以往，AmEx只能實(shí)現(xiàn)事后諸葛式的報(bào)告和滯后的預(yù)測(cè)。“傳統(tǒng)的BI已經(jīng)無(wú)法滿足業(yè)務(wù)發(fā)展的需要。”Laney認(rèn)為。于是，AmEx開(kāi)始構(gòu)建真正能夠預(yù)測(cè)忠誠(chéng)度的模型，基于歷史交易數(shù)據(jù)，用115個(gè)變量來(lái)進(jìn)行分析預(yù)測(cè)。該公司表示，對(duì)于澳大利亞將于之后四個(gè)月中流失的客戶，已經(jīng)能夠識(shí)別出其中的24%。

9. Express Scripts Holding Co.的產(chǎn)品制造。該公司發(fā)現(xiàn)那些需要服藥的人常常也是最可能忘記服藥的人。因此，他們開(kāi)發(fā)了一個(gè)新產(chǎn)品：會(huì)響鈴的藥品蓋和自動(dòng)的電話呼叫，以此提醒患者按時(shí)服藥。

10. Infinity Property & Casualty Corp.的黑暗數(shù)據(jù)（dark data）。Laney對(duì)于黑暗數(shù)據(jù)的定義是，那些針對(duì)單一目標(biāo)而收集的數(shù)據(jù)，通常用過(guò)之后就被歸檔閑置，其真正價(jià)值未能被充分挖掘。在特定情況下，這些數(shù)據(jù)可以用作其他用途。該公司用累積的理賠師報(bào)告來(lái)分析欺詐案例，通過(guò)算法挽回了1200萬(wàn)美元的代位追償金額。

十大數(shù)據(jù)挖掘領(lǐng)域的經(jīng)典算法

1. C4.5

C4.5算法是機(jī)器學(xué)習(xí)算法中的一種分類決策樹(shù)算法,其核心算法是ID3算法. C4.5算法繼承了ID3算法的優(yōu)點(diǎn)，并在以下幾方面對(duì)ID3算法進(jìn)行了改進(jìn)：

1) 用信息增益率來(lái)選擇屬性，克服了用信息增益選擇屬性時(shí)偏向選擇取值多的屬性的不足；

2) 在樹(shù)構(gòu)造過(guò)程中進(jìn)行剪枝；

3) 能夠完成對(duì)連續(xù)屬性的離散化處理；

4) 能夠?qū)Σ煌暾麛?shù)據(jù)進(jìn)行處理。

C4.5算法有如下優(yōu)點(diǎn)：產(chǎn)生的分類規(guī)則易于理解，準(zhǔn)確率較高。其缺點(diǎn)是：在構(gòu)造樹(shù)的過(guò)程中，需要對(duì)數(shù)據(jù)集進(jìn)行多次的順序掃描和排序，因而導(dǎo)致算法的低效。

2. The k-means algorithm 即K-Means算法

k-means algorithm算法是一個(gè)聚類算法，把n的對(duì)象根據(jù)他們的屬性分為k個(gè)分割，k < n。它與處理混合正態(tài)分布的大期望算法很相似，因?yàn)樗麄兌荚噲D找到數(shù)據(jù)中自然聚類的中心。它假設(shè)對(duì)象屬性來(lái)自于空間向量，并且目標(biāo)是使各個(gè)群組內(nèi)部的均方誤差總和最小。

3. Support vector machines

支持向量機(jī)，英文為Support Vector Machine，簡(jiǎn)稱SV機(jī)（論文中一般簡(jiǎn)稱SVM）。它是一種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計(jì)分類以及回歸分析中。支持向量機(jī)將向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立有一個(gè)大間隔超平面。在分開(kāi)數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面。分隔超平面使兩個(gè)平行超平面的距離大化。假定平行超平面間的距離或差距越大，分類器的總誤差越小。一個(gè)極好的指南是C.J.C Burges的《模式識(shí)別支持向量機(jī)指南》。van der Walt 和 Barnard 將支持向量機(jī)和其他分類器進(jìn)行了比較。

4. The Apriori algorithm

Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集，簡(jiǎn)稱頻集。

5. 大期望(EM)算法

在統(tǒng)計(jì)計(jì)算中，大期望（EM，Expectation–Maximization）算法是在概率（probabilistic）模型中尋找參數(shù)大似然估計(jì)的算法，其中概率模型依賴于無(wú)法觀測(cè)的隱藏變量（Latent Variabl）。大期望經(jīng)常用在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)的數(shù)據(jù)集聚（Data Clustering）領(lǐng)域。

6. PageRank

PageRank是Google算法的重要內(nèi)容。2001年9月被授予美國(guó)專利，專利人是Google創(chuàng)始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網(wǎng)頁(yè)，而是指佩奇，即這個(gè)等級(jí)方法是以佩奇來(lái)命名的。

PageRank根據(jù)網(wǎng)站的外部鏈接和內(nèi)部鏈接的數(shù)量和質(zhì)量倆衡量網(wǎng)站的價(jià)值。PageRank背后的概念是，每個(gè)到頁(yè)面的鏈接都是對(duì)該頁(yè)面的一次投票，被鏈接的越多，就意味著被其他網(wǎng)站投票越多。這個(gè)就是所謂的“鏈接流行度”——衡量多少人愿意將他們的網(wǎng)站和你的網(wǎng)站掛鉤。PageRank這個(gè)概念引自學(xué)術(shù)中一篇論文的被引述的頻度——即被別人引述的次數(shù)越多，一般判斷這篇論文的權(quán)威性就越高。

7. AdaBoost

Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器 (強(qiáng)分類器)。其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。將修改過(guò)權(quán)值的新數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來(lái)，作為最后的決策分類器。

8. kNN: k-nearest neighbor classification

K最近鄰(k-Nearest Neighbor，KNN)分類算法，是一個(gè)理論上比較成熟的方法，也是最簡(jiǎn)單的機(jī)器學(xué)習(xí)算法之一。該方法的思路是：如果一個(gè)樣本在特征空間中的k個(gè)最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別。

9. Naive Bayes

在眾多的分類模型中，應(yīng)用最為廣泛的兩種分類模型是決策樹(shù)模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。 樸素貝葉斯模型發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。同時(shí)，NBC模型所需估計(jì)的參數(shù)很少，對(duì)缺失數(shù)據(jù)不太敏感，算法也比較簡(jiǎn)單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實(shí)際上并非總是如此，這是因?yàn)镹BC模型假設(shè)屬性之間相互獨(dú)立，這個(gè)假設(shè)在實(shí)際應(yīng)用中往往是不成立的，這給NBC模型的正確分類帶來(lái)了一定影響。在屬性個(gè)數(shù)比較多或者屬性之間相關(guān)性較大時(shí)，NBC模型的分類效率比不上決策樹(shù)模型。而在屬性相關(guān)性較小時(shí)，NBC模型的性能最為良好。

10. CART: 分類與回歸樹(shù)

CART, Classification and Regression Trees。 在分類樹(shù)下面有兩個(gè)關(guān)鍵的思想。第一個(gè)是關(guān)于遞歸地劃分自變量空間的想法；第二個(gè)想法是用驗(yàn)證數(shù)據(jù)進(jìn)行剪枝。

大數(shù)據(jù)泡沫有哪些？

（1）這幾年社會(huì)上關(guān)于大數(shù)據(jù)的宣傳，媒體人的引進(jìn)和炒作，有部分內(nèi)容是在誤導(dǎo)大家，主要原因還是很多人在盲人摸象，少有系統(tǒng)的研究和理解。

（2）只知其然不知其所以然，導(dǎo)致對(duì)大數(shù)據(jù)應(yīng)用的期望太高，大數(shù)據(jù)技術(shù)不是萬(wàn)金油，在新的技術(shù)泛型和技術(shù)生態(tài)下，現(xiàn)階段技術(shù)的穩(wěn)定性、成熟性和有效性還待進(jìn)一步發(fā)展。

（3）關(guān)注重點(diǎn)有問(wèn)題，導(dǎo)致目前的很多大數(shù)據(jù)應(yīng)用并未涉及到核心業(yè)務(wù)和計(jì)算模型，多是數(shù)據(jù)的采集和存儲(chǔ)管理，這也是造成行業(yè)整體門檻還不夠高，同質(zhì)化競(jìng)爭(zhēng)激烈，沒(méi)有發(fā)揮出應(yīng)有價(jià)值的原因。大數(shù)據(jù)泡沫顯然是客觀存在的，但其長(zhǎng)期的應(yīng)用價(jià)值卻不容小覷，泡沫不代表沒(méi)有價(jià)值，就像2000年的互聯(lián)網(wǎng)泡沫，泡沫破滅之后的涅磐，讓人類真正跨入了互聯(lián)網(wǎng)時(shí)代。大數(shù)據(jù)泡沫的價(jià)值就是讓全民認(rèn)識(shí)到大數(shù)據(jù)時(shí)代數(shù)據(jù)分析和數(shù)據(jù)決策的重要性，這波泡沫過(guò)去，也許我們能正式跨入人工智能時(shí)代。

大數(shù)據(jù)需要哪些人才？

大數(shù)據(jù)主要職位：首席數(shù)據(jù)官，數(shù)據(jù)規(guī)劃師，數(shù)據(jù)工程師，數(shù)據(jù)架構(gòu)師，數(shù)據(jù)分析師，數(shù)據(jù)應(yīng)用師，數(shù)據(jù)科學(xué)家

素質(zhì)要求：專業(yè)技能，業(yè)務(wù)理解能力，學(xué)習(xí)能力，數(shù)據(jù)信仰，創(chuàng)新精神

企業(yè)要活用大數(shù)據(jù)，需要3種人才：第一是數(shù)據(jù)的IT專家；其二是分析數(shù)據(jù)的資料分析人員；其叁是活用數(shù)據(jù)的經(jīng)理人。

什么數(shù)據(jù)科學(xué)家？

數(shù)據(jù)科學(xué)家是運(yùn)用統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、分布式處理等技術(shù)，從大量數(shù)據(jù)中提取出對(duì)業(yè)務(wù)有意義的信息，以易懂的形式傳達(dá)給決策者，并創(chuàng)造出新的數(shù)據(jù)運(yùn)用服務(wù)的人才。

數(shù)據(jù)科學(xué)家有哪幾種類別？

理論數(shù)據(jù)科學(xué)家致力于數(shù)據(jù)科學(xué)的理論研究，為其他的數(shù)據(jù)科學(xué)家創(chuàng)造框架和工具。本質(zhì)上是將統(tǒng)計(jì)數(shù)據(jù)、數(shù)據(jù)存儲(chǔ)和計(jì)算機(jī)科學(xué)在理論層面應(yīng)用于大數(shù)據(jù)的學(xué)者。

應(yīng)用數(shù)據(jù)科學(xué)家對(duì)于如何運(yùn)用大數(shù)據(jù)有更好的理解?？茖W(xué)需要嚴(yán)謹(jǐn)，我認(rèn)為數(shù)據(jù)應(yīng)用植根于學(xué)術(shù)嚴(yán)謹(jǐn)，但是在應(yīng)用層面工作。應(yīng)用數(shù)據(jù)科學(xué)家的工作是先進(jìn)行架設(shè)，再用大數(shù)據(jù)進(jìn)行驗(yàn)證。每個(gè)人都會(huì)受惠于他們的研究發(fā)現(xiàn)和工具。

行業(yè)數(shù)據(jù)科學(xué)家用應(yīng)用數(shù)據(jù)科學(xué)地解決某個(gè)具體的市場(chǎng)問(wèn)題、行業(yè)、生意，實(shí)現(xiàn)利益大化的單一目的。行業(yè)數(shù)據(jù)科學(xué)家得擅長(zhǎng)溝通，能夠讓他們的發(fā)現(xiàn)應(yīng)用于商業(yè)。將工商、經(jīng)濟(jì)和會(huì)計(jì)方面的經(jīng)驗(yàn)應(yīng)用在商業(yè)領(lǐng)域是他的價(jià)值所在。與商業(yè)分析師和商業(yè)顧問(wèn)的角色有點(diǎn)相似。

要成為一名數(shù)據(jù)科學(xué)家，需要掌握哪些核心技能？

作為一名數(shù)據(jù)科學(xué)家，一般需要編程和數(shù)據(jù)庫(kù)、數(shù)學(xué)&統(tǒng)計(jì)、交流和可視化、領(lǐng)導(dǎo)力和軟技能：四個(gè)方面的技能。

1、編程和數(shù)據(jù)庫(kù)

一般來(lái)說(shuō)，數(shù)據(jù)科學(xué)家大多要求具備編程、計(jì)算機(jī)科學(xué)相關(guān)的專業(yè)背景，掌握對(duì)處理大數(shù)據(jù)所必需的Hadoop、Mahout等大規(guī)模并行處理技術(shù)與機(jī)器學(xué)習(xí)相關(guān)的技能。一般能利用python熟練的獲取數(shù)據(jù)，整理數(shù)據(jù)，并會(huì)使用matplotlib展現(xiàn)數(shù)據(jù)。

2、數(shù)學(xué)、統(tǒng)計(jì)和數(shù)據(jù)挖掘

除了數(shù)學(xué)、統(tǒng)計(jì)方面的素養(yǎng)之外，還需要具備使用SPSS、SAS等主流統(tǒng)計(jì)分析軟件的技能。其中，面向統(tǒng)計(jì)分析的開(kāi)源編程語(yǔ)言及其運(yùn)行環(huán)境「R」最近備受矚目。R的強(qiáng)項(xiàng)不僅在于其包含了豐富的統(tǒng)計(jì)分析庫(kù)，而且具備將結(jié)果進(jìn)行可視化的高品質(zhì)圖表生成功能，并可以通過(guò)簡(jiǎn)單的命令來(lái)運(yùn)行。此外，它還具備稱為CRAN（The Comprehensive R Archive Network）的包擴(kuò)展機(jī)制，通過(guò)導(dǎo)入擴(kuò)展包就可以使用標(biāo)準(zhǔn)狀態(tài)下所不支持的函數(shù)和數(shù)據(jù)集。

3、數(shù)據(jù)可視化

信息的質(zhì)量很大程度上依賴于其表達(dá)方式。對(duì)數(shù)字羅列所組成的數(shù)據(jù)中所包含的意義進(jìn)行分析，開(kāi)發(fā)Web原型，使用外部API將圖表、地圖、Dashboard等其他服務(wù)統(tǒng)一起來(lái)，從而使分析結(jié)果可視化，這是對(duì)于數(shù)據(jù)科學(xué)家來(lái)說(shuō)十分重要的技能之一。

4、領(lǐng)導(dǎo)力和軟技能

數(shù)據(jù)科學(xué)家不僅要具有黑客的頭腦，對(duì)數(shù)據(jù)有好奇心，還要對(duì)商業(yè)有熱情，是有影響力、有創(chuàng)造力，能解決問(wèn)題的人。

2017年大數(shù)據(jù)版圖

當(dāng)前標(biāo)題：天天在說(shuō)大數(shù)據(jù)，你真的懂了嗎？
分享地址：http://chinadenli.net/article6/sdgdig.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供關(guān)鍵詞優(yōu)化、ChatGPT、云服務(wù)器、域名注冊(cè)、電子商務(wù)、搜索引擎優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)