【导读】华为始终秉承着以客户为中心的理念，反映在大数据领域，就是要贴近行业典型客户进行联合创新，有针对性地提供平台解决方案，并引领合作伙伴在平台上持续构建价值应用。 历史的车轮驶入2015年，人们对大数据的关注焦点，已经从之前的概念炒作，发展到如何通过大数据为客户业务创造价值。未来，数据将以十倍、百倍的速度增长，信息“过载”已经成为许多企业的一大症结。即使是石油，在开采出来之后
转载
2024-01-15 22:30:24
23阅读
创新最主要的不是靠灵感，而是靠执行。 传统企业在数字化转型中，面临的很大问题就是创新问题，大数据也不例外，最近读到得到《何凡读书俱乐部》中关于创新的系列文章，有了一些共鸣和启发，这里结合大数据的创新实践分享一下自己的看法。一、创新就是在行动中思考 首先讲一个团队建设的游戏，这个团队建设游戏叫“棉花糖挑战”，是一位工业设计师彼得.斯基尔曼和他的朋友们一起开发的，参加这个游戏的人被分成几组，每一组都分
转载
2024-03-12 21:53:40
32阅读
大数据正在改变整个世界，重新定义人与自然彼此之间的互动方式。它正在改变我们的学习、工作、生活、娱乐等方式。下面是大数据的几个最具创新性、洞察力和激励性的领域。 1、医疗：对生活的实际影响 大数据创新正在重塑医疗业的几乎各个方面，而医疗业占据了很大一部分的国民经济总量。例如在美国，麦肯锡有一项预测指出，美国公民储蓄中有3000 ~ 4500亿美元都用于医疗保健，而这
转载
2024-01-23 21:22:15
9阅读
為什麼東方國度的學生，中小學時期的數學能力都超越歐美學生；但是到了大學或研究所時，其推理和創新能力就比不上了呢? 依據諾貝爾獎得主Kahneman說法，其答案：爭取考試時間，答完更多題目得高分，因而不斷"練習"計算過程，將系統二的慢速推理，內化為系統一的直覺反應。勤練內化而非強化系統二思考! 想要下一代具有高度創造力，其途徑是：多練習系統二的思考，而不是勤練系統一來取代系統二，免得更加依賴系統一，也更加養成系統二大跨度推理思考的惰性，就更加失去創新力了。
原创
2014-06-10 15:37:26
1310阅读
自古以來，中國許多策略家足智多謀，善於設想(假設)和推算(想像)，創造了中國多姿多采的文化和創新。或許是科舉制度的影響，善於背誦古籍、勤練系統一(諾貝爾獎得主 Kahneman的術語)者成為考場和仕場的贏家，於是系統二的假設性(想像性)思維習慣逐漸式微，創新傑作就日益稀少了。因此，學習孔明的設計思考(Design Thinking)技術和溯因推理方法，人人都能學習創新技術，像孔明一樣足智聰慧，創新力充沛無窮。
原创
2014-06-10 16:08:03
1016阅读
中學的感悟、歸納與抽象，偏於針對現實經驗的<分>析和理解；西學的形式、組裝與抽象，偏於針對願景的創造和<組>合；例如，基於願景是想要能<飛>，運用想像力把一群各自<不會飛>的模組（如輪胎、引擎、機翼、機尾、油箱等），巧妙地組<合>起來，竟然整體就飛起來了。創新的目的是要創造<會飛>的整體（Whole），而不是去分析、抽象和開發不會飛的部件（Part）。
原创
2014-06-10 19:44:39
805阅读
点赞
科学创新的源头是：古希腊毕达哥拉斯(Pythagoras)与柏拉图的哲学思想。毕达哥拉斯主张数学论证必须从<假设>(Assumption)出发，开创了<演绎逻辑>思维。17世纪，统计学“由部分(抽样)推及全体”的推论方法，属于归纳法。统计学的假定检验(Hypothesis Testing)是先对全体做出假定性推论，然后经由实际抽样的数据，对此假定进行检验(如否证)。这展开了<假定-否证>的逻辑思维。演绎法和归纳法都是想从原<因>(假设或抽样数据)推论出结<果>。19世纪，皮尔士(Peirce)提出溯因法，它是由观察结<果>到原<因>的猜测推导过程，沿着现象的特征往回追溯产生该现象之原因。
原创
2014-06-10 18:51:35
716阅读
在数据驱动的时代，金融行业通过技术创新实现了巨大的飞跃。特别是数据仓库，数据中台，到数据飞轮三个阶段的演变，不仅仅推动了行业内部的技术升级，更是在增长分析，老用户活跃等业务场景中发挥了关键作用。本文将通过金融行业的案例，来探索数据飞轮如何成为推动业务创新和用户增长的关键技术。
金融行业历来是数据集散地。从信用评分，投资决策，到风险管理和市场预测，每一项业务都离不开大量数据的支持。在早
原创
2024-09-22 15:57:01
399阅读
# 数据挖掘研究方法创新的指导
数据挖掘是从大量数据中提取有价值信息的过程。在各种行业中，数据挖掘的方法和技术不断演进。本篇文章将为刚入行的小白详细介绍如何实现“数据挖掘研究方法创新”。我们将通过几个关键步骤来指导你，提供代码示例以便更直观地理解。同时，我们还将展示状态图和甘特图，为整个流程提供清晰的架构。
## 数据挖掘研究过程流程
下面表格展示了实现数据挖掘研究方法创新的步骤：
| 阶
各种形式的数据挖掘逐渐成为商业运作的一个主要组成部分。目前几乎所有的商业过程都涉及某种形式的数据挖掘。成本效率，客观理性，可维护性，软件集成，人类工程学，商业过程再建等问题都是数据挖掘成功应用的重要考虑因素。商业环境中的数据挖掘可以定义为：通过自动分析公司的数据来生成可操作的模型。要在商业环境中使用，数据挖掘必须考虑经济效益，必须有助于实现公司的核心目标。关键是找出可操作的信息，或可以用某种具体的
转载
2023-11-26 15:22:16
56阅读
1. 模块和组件从设计上来看，组件强调复用，模块强调职责(内聚、分离)，或者说组件是达到可复用要求的模块。 模块，偏向设计的概念(inside)：1、用于在项目中划分相对独立的功能，模块是独立功能分装起来的代码块。2、模块更偏重逻辑上区分模块更偏重逻辑上区分，封装上可以和其他模块混合。3.模块化一种把系统分离成独立功能模块的方法.( 系统功能 ) 组件，偏向发行的概念(outs
转载
2023-11-24 01:27:29
73阅读
目录一、背景二、MobileNet v11. 网络创新点2. 网络结构三、MobileNet v21. 网络创新点2. 网络结构四、MobileNet v31. 网络创新点2. 网络结构一、背景MobileNet v1是由google团队在2017年提出的， 专注于移动端或者嵌入式设备中的轻量级CNN网络。 相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。相比VGG16准确
转载
2023-12-19 22:00:39
56阅读
数据库与 ORM（对象关系映射）技术的创新发展使得现代应用程序能够更加高效、灵活地进行数据访问和管理。特别是随着响应式编程的兴起，传统的阻塞数据库交互方式逐渐面临挑战。技术栈如 Hibernate、JOOQ 和 R2DBC（响应式数据库）在这方面做出了显著的贡献，提供了更加高效、动态、响应式的方式来处理数据库交互。1. HibernateHibernate 是一个强大的、流行的 ORM 框架，它简
# 数据可视化创新点
在当今信息爆炸的时代，数据可视化成为了一种重要的数据分析工具。通过图表、地图、可视化仪表盘等形式，将数据转化为直观且易于理解的图形，帮助人们更好地理解数据背后的含义。在数据可视化中，不断有新的创新点涌现，让数据呈现更加生动和具有吸引力。下面我们来介绍一些数据可视化的创新点，并通过代码示例展示它们的应用。
## 1. 三维数据可视化
传统的数据可视化通常是二维的，但是在某
原创
2024-06-16 04:27:48
40阅读
# 数据可视化的创新点与实践
## 引言
在信息化时代，数据的数量与复杂性急剧上升。如何有效地理解、分析和呈现这些数据，成为了学者和行业从业者面临的重大挑战。数据可视化是将复杂数据通过图形的方式呈现出来，从而帮助用户更直观地理解数据背后的故事。本文将探讨数据可视化的几种创新点，并通过示例代码展示其应用。
## 数据可视化的创新点
### 1. 交互式可视化
传统的数据可视化主要以静态图表
原创
2024-09-25 08:02:08
229阅读
## 数据创新中心架构图的实现指导
在现代企业中，数据创新中心是推动业务优化和创新的重要组成部分。构建一套完整的架构图不仅能够帮助团队理清思路，还能为后续的数据分析和决策提供支持。本文将为您提供一份详细的步骤说明，帮助您设计并实现数据创新中心的架构图。
### 整个流程
下面是构建数据创新中心架构图的整体流程：
| 步骤 | 描述 |
|------
随着信息技术的飞速发展，大数据已经渗透到各个行业，餐饮行业也不例外。本文章的目的在于深入研究大数据在餐饮科技领域的数据创新应用，
“不破则不立”，我们要有海尔砸冰箱的精神，不断打破长期禁锢在人们思想观念上的层层枷锁，做到勇于创新，善于创新，这样才能在残酷的市场竞争中站稳脚跟。
近年来，谈“创新”似乎是一种时尚，大至国家创新，小到企业创新、自我创新，足以引起人们
转载
精选
2010-05-22 12:51:55
1042阅读
本文是【DDD】系列文章中的其中一篇，其他可参考：使用领域驱动设计思想实现业务系统概述DDD为复杂软件的设计提供了指导思想，其将易发生变化的业务核心域放置在限定上下文中，在确保核心域一致性和内聚性的基础上，DDD可以被多种语言和多种技术框架实现，具体的框架实现需要根据实际的业务场景和需求来制定。核心的指导思路归纳为：关注点放在domain上，将业务领域限定在同一上下文中，识别context bou
转载
2023-12-14 18:43:31
100阅读
本周工作内容依然是继续调整模型结构，试图优化结果。在上周设计完成新的数据集，并在本周进行了数据的采集之后，我们在初步数据集上对两个新的模型进行了尝试。一个是减少特征，只有一层卷积、一层池化、一层全连接结构的简单模型；一个是增加特征，包括脸部卷积、池化、全连接，眼睛部位卷积、池化、全连接以及总的全连接等结构的复杂模型。相关代码如下 简单模型#!/usr/bin/env python3
# -*- c
转载
2024-05-16 08:31:56
33阅读
