AI與大數據技術導論（應用篇）：TensorFlow、神經網路、知識圖譜、資料挖掘……從高階知識到產業應用，深度探索人工智慧！

　　【TensorFlow】
　　從第一個TensorFlow程式的簡單介紹開始，涵蓋了過擬合、特徵工程等核心概念，為讀者提供了穩固的基礎。接著闡述幾個高階主題，包括特徵交叉、正則化、邏輯迴歸和分類。

　　【神經網路】
　　本章全面介紹神經網路的概念和技術。從基本的定義到如何訓練神經網路，再到多類別神經網路和嵌入技術，讀者可以獲得一個完整的神經網路知識架構。

　　【知識圖譜】
　　本章深入探討知識圖譜，從基本定義到建構的關鍵技術，再到知識運算及其應用，提供了一個全面視角，幫助讀者理解知識圖譜在現代技術中的重要性。

　　【資料挖掘】
　　本章集中於資料挖掘的概念和技術。資料挖掘是大數據領域的核心，涵蓋了資料探勘方法、大數據思維等關鍵概念，對於想要深入了解大數據領域的讀者來說，這一章節提供了扎實的知識基礎。

　　【AI和大數據應用於特定領域】
　　專門探討了AI和大數據在特定領域的應用，包括銀行、醫療等行業。不僅分析了這些領域的現況，還提供了實例分析，幫助讀者了解AI和大數據如何在實際場景中產生價值。

　　【附錄】
　　最後提供了3個附錄，為讀者提供了大數據和人工智慧的線上資料，以及本書中採用的AI中英文術語和術語列表，這對於想要進一步探索這一領域的讀者來說是非常有幫助的資源。

本書特色

　　本書全面講述人工智慧與大數據涉及的應用，共分8章，包括TensorFlow、神經網路、知識圖譜、資料挖掘等，詳細說明了人工智慧在各領域的潛在價值及實際案例分析。閱讀完本書後，讀者將對人工智慧技術有全面的理解，並能掌握AI整體知識架構。

作者簡介

楊正洪

　　在矽谷從事AI和大數據相關研發工作十餘年，是海外智庫專家顧問，曾擔任在美上市公司CTO、北京某國企CIO和上海某國企高階副總裁等職。出版了《智慧城市》、《大數據技術入門》等多本暢銷書。

郭良越

　　專職作者。

劉瑋

　　專職作者。
 

第12章　資料挖掘
 
12.1　什麼是資料挖掘
 
資料挖掘是指有組織、有目的的收集資料、分析資料，並從大量資料中提取出有用的資訊，從而尋找出資料中存在的規律、規則、知識以及模式、關聯、變化、異常和有意義的結構。資料挖掘是一種從大量資料中尋找存在的規律、規則、知識以及模式、關聯、變化、異常和有意義的結構的技術，是統計學、資料庫技術和人工智慧技術等技術的綜合。資料挖掘是一門涉及面很廣的交叉學科，包括數理統計、人工智慧、電腦等，涉及機器學習、數理統計、神經網路、資料庫、模式辨識、粗糙集、模糊數學等相關技術。
 
資料挖掘大部分的價值在於利用資料挖掘技術改善預測模型、產生學術價值、促進生產、產生並促進商業利益，一切都是為了商業價值（資料→資訊→知識→商業）。資料挖掘的最終目的是實現資料的價值，所以，單純的資料挖掘是沒有多大意義的。資料挖掘的作用是從大量資料中尋找存在的規律、規則、知識以及模式、關聯、變化、異常和有意義的結構。
 
資料挖掘技術（方法）分為以下兩大類。
 
預言（Predication）：用歷史預測未來。
 
描述（Description）：了解資料中潛在的規律。
 
12.1.1　資料挖掘技術產生的背景
 
資料正在以空前的速度成長，現在的資料是大量的大數據。現在不缺乏資料，但是卻面臨一個尷尬的境地──資料極其豐富，資訊知識匱乏。還有，大量的大數據已經遠遠超出了人類的理解能力，如果不借助強大的工具和技術，很難弄清楚大數據中所蘊含的資訊和知識。重要決策如果只是基於決策制定者的個人經驗，而不是基於資訊、知識豐富的資料，就極大的浪費了資料，也對我們的商業、學習、工作、生產帶來了極大的不便和龐大的阻礙。所以，能夠方便、高效能、快速的從大數據裡提取出龐大的資訊和知識是必須解決的，因此，資料挖掘技術應運而生。資料挖掘填補了資料和資訊、知識之間的鴻溝。
 
12.1.2　資料挖掘與資料分析的區別
 
資料分析包含廣義的資料分析和狹義的資料分析。廣義的資料分析包括狹義的資料分析和資料挖掘，而我們常說的資料分析就是指狹義的資料分析。