--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能与大数据技术导论" author: null edition: null publisher: null year: null isbn: "9787302517986" library_document_id: "cd4f7678-cd9b-4971-bde0-e9ad46a6cc71" source_sha256: "5011cdcf83cd5e047c93a1ce7465f970fc88be69c93b94be3d7fa5fbddbb43f0" pdf_physical_page_count: 490 pdf_physical_page_index_base: 0 range_start: 450 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71?start=450&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=450&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=440&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=460&limit=10" --- # 人工智能与大数据技术导论 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=450 | PRINTED_PAGE=434 16.2.2 工业大数据应用的四大发展趋势 1. 工业大数据应用的外部环境日益成熟 以工业4.0和工业互联网为代表的智能化制造技术已成为制造业发展的趋势，智能化制造技术的研究和应用推动了工业传感器、控制器等软硬件系统和先进技术在工业领域的应用，智能制造应用不断成熟，一方面，正在逐步打破数据孤岛壁垒，实现人与机器、机器与机器的互联互通，为工业数据的自由汇聚奠定基础；另一方面，进一步增强了工业大数据的应用需求，使得工业大数据应用的外部环境日益成熟。 2. 人工智能和工业大数据融合加深 工业大数据的广泛深入应用离不开机器学习、数据挖掘、模式识别、自然语言理解等人工智能技术清理数据、提升数据质量和实现数据分析的智能化，工业大数据的应用和安全保障都离不开人工智能技术，而人工智能的核心是数据支持，工业大数据反过来又促进人工智能技术的应用发展，两者的深度融合成为发展的必然趋势。 3. 云平台成为工业大数据发展的主要方向 工业大数据云平台是推动工业大数据发展的重要抓手。传统互联网大数据的处理方法、模型和工具难以直接使用，增加了工业大数据的技术壁垒，导致工业大数据的解决方案非常昂贵，云平台的出现为工业企业特别是中小型工业企业随时、按需、高效地使用工业大数据技术和工具提供了便宜、可扩展、用户友好的解决方案，大大降低了工业企业拥抱工业大数据的门槛和成本。 4. 工业大数据将催生新的产业 除了云平台外，新的大数据可视化和人工智能自动化软件也能大大简化工业大数据的数据处理和分析过程，打破了大数据专家和外行之间的壁垒。这些软件的出现使得企业可以自主利用工业大数据，做相对简单的工业大数据分析，以及外包复杂的工业大数据应用需求给专业工业大数据服务公司，从而催生新产业，包括工业大数据存储、清理、分析、可视化等相关的软件开发、外包服务等。 16.2.3 发展工业大数据 发展工业大数据可从以下几点入手： （1）整合各工业行业的数据资源，建设工业互联网和信息物理系统，推动制造业向基于大数据分析与应用的智能化转型。 (2）推动大数据在研发设计、生产制造、经营管理、市场营销、业务协同等环节的集成应用，推动制造模式变革和工业转型升级。 (3)加快建设工业云及基于工业云的应用等服务平台。依托两化融合和“中国制造2025”工作平台及政策体系，开展工业大数据创新运用。 （4）开展智能工厂及精细化管理大数据应用试点。 人工智能与大数据技术导论 434 ## PDF_PHYSICAL_PAGE_INDEX=451 | PRINTED_PAGE=435 16.3 AI+制造 我们要为工业生产装上“最强大脑”—人工智能。智能制造源于工业领域的制造业。其产生的历史原因是，机器的功能表现不能遂人愿，人很难掌控机器的全部状态情况。机器的运行状态不为人知，且不说远程监控，就是人站在机器前面，也未必知道哪个零部件正常与否，还有多长时间需要更换。为了解决这些问题，当前的制造业从生产、流通到销售正在越来越趋于数据化、智能化。大数据和人工智能技术可以协助企业分析生产过程中的全链路数据，实现生产效率、设备使用效率提升等目标，支持“AI+制造”。 16.4 农业大数据 农业大数据是大数据理念、技术和方法在农业领域的实践，涉及农业生产、经营、管理和服务4个方面，是跨行业、跨专业的数据分析与挖掘。 16.4.1 发展现状 近年来，随着农业信息化建设的加速和农村电子商务的发展，各级农业部门对农业大数据重要性的认识不断提高，各新型经营主体利用数据的意识和能力不断增强，推动了农业大数据的发展和运用。全国多个省份已初步建立了化肥、农药、种子等农业投入品，“三品一标”优质农产品，农业统计、实用技术、质量标准、涉农法律法规、农业专家、农业影视和龙头企业等20多个数据库，数据内容包括文本、图片、音视频等多种格式。部分地方也开展了农业大数据运用的探索，如测土配方、科技服务等农业数据的采集系统和查询应用系统，方便了农业合作社、农业龙头企业、农民的使用，服务了农业生产。 但是，农业信息化的基础设施差，数据融合、分析的省级农业大数据交换管理中心尚未建立，农业大数据开放共享的基础和制度尚未形成，农业大数据研究和应用人才缺乏等，严重制约了农业大数据的研究和应用。 16.4.2 农业大数据目标 围绕农业提质增效、转型升级这一主线，以生产、市场需求为导向，加快农业专业数据的有效整合、融合和应用服务，全面、及时地掌握农业生产信息和市场动态变化趋势，提升对农业生产、经营的预测预警能力和农业管理的科学决策水平，提高农业经济发展水平，加快农业现代化发展进程。 以农业需求为导向，加强农业大数据公共基础平台建设、农业具体专业领域的应用示范，不断探索创新农业大数据的应用模式，培育和挖掘农业领域应用大数据的新业态、新模式，开发大数据应用，增强大数据发展的内生动力，形成常态、高效、可持续的机制。政府部门应该率先推进农业大数据资源的集中与开放，与社会联动，形成大数据资源积累机制。加大资源整合力度，提高资源使用效率，通过市场化、社会化方式汇聚和优化配置社会资源，加强社会信息资源共享，加速推进农业大数据的开放、融合、共享，切实推动农业大数据的深度融合和广泛应用。 第16章 工农业大数据和人工智能 435 ## PDF_PHYSICAL_PAGE_INDEX=452 | PRINTED_PAGE=436 完善省市级数据的汇聚、分析、应用能力。丰富农业生产、农业经营、农业管理和农业服务等领域的大数据应用，提升生产智能化、经营网络化、管理高效化、服务便捷化的能力和水平。推进各地区、各行业、各领域涉农数据资源的共享开放，加强数据资源的发掘运用，统筹国内国际农业数据资源，强化农业资源要素数据的集聚利用，提升政府治理能力。加强制度和标准建设，包括工作制度、建设标准、系统标准以及数据标准等。 提高县、乡、村利用农业数据资源的能力。一是完善基础设施建设，完善县、乡、村相关数据采集、传输、共享基础设施；二是建立大数据工作机制，建立农业农村数据采集、运算、应用、服务机制；三是构建信息服务体系，构建面向农业农村的综合信息服务体系，为农民生产生活提供综合、高效、便捷的信息服务，缩小城乡数字鸿沟，促进城乡发展一体化；四是加大示范力度，形成一大批应用示范成效明显、可复制可推广的商业化模式，有效推动产业转型升级和生产方式的转变。 16.4.3 农业大数据建设任务 （1）形成上下联动、覆盖全面的农业农村大数据共享平台，实现数据的互联互通、开放获取、快速访问。加强信息资源的整合和信息公开，促进农业信息资源共享和业务系统之间的互联互通。实现种植业、经管、畜牧、农机、农村“三资”管理等信息系统通过统一平台进行数据共享和交换。 （2）建立大数据标准体系。重点围绕基础数据、数据处理、数据安全、数据质量、数据产品和平台标准、数据应用和数据服务六大类，建立标准体系，并从元数据、数据库、数据建模、数据交换与管理等领域推动相关标准的研制与应用。制定统一涉农信息资源目录体系与交换标准，出台规范农业大数据信息资源采集、融合、交换标准，保证网络运行的标准化、规范化，以实现开放性、实用性和安全性。 （3）完善大数据的管理。建立和完善农业大数据交换管理中心平台各项制度，包括应用准入、应用卸载、沙箱开发、安全事故、违规处罚等：建立平台运行制度，依据国家信息安全有关法律法规，对所有农业信息根据职务、服务对象和服务内容进行分级管理，加强信息系统建设技术审核：建立和完善平台安全保密制度；建立部门信息共享考核工作制度。 (4）规范大数据采集。建立健全农业大数据采集制度，明确信息采集责任。既要依托现有信息采集渠道改进采集方式以提高效率，完善信息指标以适应新阶段要求，又要采用分布式高速、高可靠数据爬取或采集，高速数据全映像等大数据收集技术，广泛收集互联网数据。进一步优化涉农数据监测统计系统，完善统计指标，扩大采集监测范围，改进采集监测手段和方式，探索开展统计监测由抽样调查逐步向全样本、全数据过渡的试点，完善信息进村入户村级站的数据采集功能，完善相关数据采集共享功能。 人工智能与大数据技术导论 436 ## PDF_PHYSICAL_PAGE_INDEX=453 | PRINTED_PAGE=437 （5）推动大数据的应用。建成农村土地确权颁证数据系统、农产品质量安全追溯数据系统。提供农业大数据的跨专业查询服务、可视化决策服务以及跨专业的实时数据集成服务，为农业农村经济提供服务的技术数据支撑中心以及为领导科学决策提供数字依据。深入实施“互联网+”现代农业行动，利用大数据技术提升农业生产、经营、管理和服务水平，培育一批网络化、智能化、精细化的现代“种养加”生态农业新模式，加快完善新型农业生产经营体系，培育多样化农业互联网管理服务模式，逐步建立农副产品、农资质量安全追溯体系。建立农业重大舆情的大数据发布制度。围绕精准农业、物联网应用、产品质量安全追溯、农产品线上营销等开展试点示范，积极探索农业大数据技术在农业领域集成应用、农产品高标准生产、优质品牌开发和产品网上销售等新途径、新模式。的分析数据应用中心。同时，按照共享共用、协作协同、分工分流的原则，推进建立完善的数据采集渠道和监测网络。到2020年，建成60个农业大数据采集重点县。 (6）精准农业应用创新。通过智能化监测工具和信息采集传输装备，实现信息自动接收、分析汇总、远程诊断。建立和完善病虫害在线监测系统，扩大乡村病虫监测点数量，完善土肥站测土配方施肥信息查询和专家咨询系统，推动互联网技术和土肥技术的集成创新。建立测土配方数据库，指导农民精量精准科学施肥，加快实现“三减”目标，保护和改善生态环境。加强智能化畜禽养殖关键技术的研究与应用，提高畜禽养殖自动化程度，提高饲料利用效率，有效防控畜禽疫病。不断拓展农机作业领域，利用大数据统筹安排农机调度，提高农机智能水平，充分发挥农业机械集成技术，节本增效，推动精准农业发展。 完善农产品市场预警信息采集、分析、发布平台，建立预警信息数据库，定期采集合作社、家庭农场（大户）、农产品加工贸易企业以及农资企业的生产和销售信息。建立专家分析师队伍和预警信息分析会商发布制度，分析和发布农产品生产、加工、销售、价格、成本收益、供求趋势等信息，为各类生产经营主体和政府决策提供有效的信息服务。 16.4.4 农产品质量安全追溯 加强农产品（含粮油）质量追溯平台建设，健全追溯数据录入、监管信息综合统计、追溯码生成、终端查询等功能，为消费者提供系统完备、查询便捷的农产品质量信息服务。引导新型农业经营主体进入平台或自建质量追溯体系，通过多种途径使经过认证的绿色食品生产企业实现产品质量可追溯。以消费者方便查询和重点关注的信息为重点，统一规范农产品质量追溯内容，全面录入农产品产地基本情况，农药、种子、化肥等生产投入品，重要生产过程简短视频及农产品质量标准、营养成分等信息，提升农产品质量追溯的可信度，进一步提高优质农产品的市场竞争力。 第16章 工农业大数据和人工智能 437 ## PDF_PHYSICAL_PAGE_INDEX=454 | PRINTED_PAGE=NOT_DETECTED 附录A 国内人工智能企业名单 2017年，互联网周刊列出了“人工智能未来企业排行榜”，如表A-1所示。 ## PDF_PHYSICAL_PAGE_INDEX=455 | PRINTED_PAGE=439 附录A 国内人工智能企业名单 439 ## PDF_PHYSICAL_PAGE_INDEX=456 | PRINTED_PAGE=440 人工智能与大数据技术导论 440 ## PDF_PHYSICAL_PAGE_INDEX=457 | PRINTED_PAGE=NOT_DETECTED 附录B 大数据和人工智能网上资料 最好的学习资源在国外的三个网站，分别是Coursera、Arxiv以及 Github。Coursera是全球顶尖的在线学习网站，Coursera上的课程相对比较基础，如图B-1所示。 一般情况下，想做“计算机视觉”或者“自然语言处理”等偏AI方向的同学，在完成“深度学习”课程后，想做“数据挖掘”的同学在完成“机器学习”课程后，就可以选择相应的实践项目了。 GitHub上有最新最好的开源代码，这些代码往往是对某种算法的实现，如图B-2所示。 ## PDF_PHYSICAL_PAGE_INDEX=458 | PRINTED_PAGE=442 arXiv上有最新最全的共享论文，论文中会对各类算法进行详尽的阐释，如图B-3所示。 有一个神奇的网站名叫GitXiv，会帮助各位找到论文与代码的对应关系，如图B-4所示。 442 ## PDF_PHYSICAL_PAGE_INDEX=459 | PRINTED_PAGE=443 值得指出的是，我们也可以利用国内的“万方”及“知网”这样的论文查询平台，查询相关领域国内普通高校的学位论文，这样的论文绝大部分都是中文并且会在论文中介绍大量的基础背景知识，正好可以满足初学者的需求。 如果对某一技术方的特定知识点不明所以，例如在做“自然语言处理”方向的项目，但却不太了解LSTM，则可以利用国内的诸如“知乎”“简书”以及“CSDN”这类知识分享网站，只要不是太新的理论，都可以找到相应的博文或者解答。 使用上述两类渠道的共同技巧是，多搜几篇文章对比着看。同一个概念或者技术，一篇文章很难全面描述清楚，并且由于文章作者不同，解释问题的出发点也不尽相同，因此如果遇到看不懂某篇文章的情况，不用急躁，接着看下一篇文章就好。 443 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=460&limit=10)