"Da 數(shù)據(jù)"透視并不是近幾年的新鮮事?；仡櫄v史，早就有了。只是當時“Da 數(shù)據(jù)”這個詞還沒有產(chǎn)生。19世紀，“量化”被應用于航海。19世紀的航海經(jīng)驗是口口相傳的，有些甚至被證明是錯誤的。航海家默里通過定量分析制作的航海圖是Da 數(shù)據(jù)最早的實踐之一。在一次馬車事故導致腿部殘疾后，年輕的海軍軍官默里辭去了他在海上的工作，去了海圖和儀器廠。

后來為了提高精度，默里創(chuàng)建了一個記錄航海的標準表數(shù)據(jù)并在所有海軍艦艇和部分商船上使用。通過分析這些數(shù)據(jù)，發(fā)現(xiàn)了一些自然的航行路線，為海軍和商船減少了三分之一的航行距離。早在信息數(shù)字化之前，數(shù)據(jù)的手工應用就已經(jīng)充分展示了其有效性。隨著數(shù)據(jù)的存儲和處理能力的不斷提高，“Da 數(shù)據(jù)”技術的應用領域也在不斷擴大。20世紀，“量化”被應用于投資。

Da 數(shù)據(jù)時代:Da數(shù)據(jù)時代來到了世界知名的咨詢公司麥肯錫，Da數(shù)據(jù)在物理、物理、醫(yī)學、“Da 數(shù)據(jù)”的背景:2012年，“Da 數(shù)據(jù)(bigdata)”這個詞被越來越多的提及，人們用它來描述和定義信息爆炸的巨量時代，以及

數(shù)據(jù)正在迅速擴張，越來越大，這決定了企業(yè)未來的發(fā)展。雖然很多企業(yè)可能沒有意識到數(shù)據(jù)的爆發(fā)式增長帶來的隱患，但是隨著時間的推移，人們會越來越意識到數(shù)據(jù)對企業(yè)的重要性。正如《紐約時報》在2012年2月的一篇專欄文章中所說，“大數(shù)據(jù)”時代已經(jīng)到來。在商業(yè)、經(jīng)濟和其他領域，決策將基于數(shù)據(jù)和分析，而不是基于經(jīng)驗和直覺。

Da數(shù)據(jù)is數(shù)據(jù)Intelligence的核心。數(shù)據(jù)智能的本質(zhì)是在大量樣本中發(fā)現(xiàn)并評估幾個概念之間的相關性，然后形成數(shù)學表達式，再用數(shù)學表達式進行推理運算，從而完成對未知樣本的判斷和決策。因此，需要發(fā)現(xiàn)海量數(shù)據(jù)背后的規(guī)律，解決數(shù)據(jù)表征的問題。數(shù)據(jù)智能經(jīng)歷了專家系統(tǒng)、傳統(tǒng)機器學習和神經(jīng)網(wǎng)絡三個階段。輸入的知識從具體到抽象，從規(guī)則到特征到模式變得越來越宏觀，智能處理的效率越來越高，底層感知和模型的可解釋性越來越弱。

實踐證明，隨著數(shù)據(jù) set樣本的增加，傳統(tǒng)機器學習的性能不如神經(jīng)網(wǎng)絡(見圖1)。這主要是因為前者的表現(xiàn)力不如后者。Goodfellow在2013年的ICML(國際機器學習大會)上發(fā)表了論文MaxoutNetworks(最大輸出網(wǎng)絡)。本文證明了MaxoutNetworks可以無限逼近任何連續(xù)函數(shù)。換句話說，神經(jīng)網(wǎng)絡可以擬合任何連續(xù)函數(shù)，與傳統(tǒng)的機器學習相比，神經(jīng)網(wǎng)絡具有突出的表達能力優(yōu)勢。