以下哪個不屬於城市大數據平台的物理設施

㈠ 大數據專業主要學什麼

「大數據」簡單來說，就是一些把我們需要觀察的對象數據化，然後把數據輸入計算機，讓計算機對這些大量的數據進行分析之後，給出我們一些結論。

學的主要內容有：

①JavaSE核心技術

②Hadoop平台核心技術、Hive開發、HBase開發

③Spark相關技術、Scala基本編程

④掌握Python基本使用、核心庫的使用、Python爬蟲、簡單數據分析；理解Python機器學習

⑤大數據項目開發實戰，大數據系統管理優化

⑥雲平台開發技術

整體來說，大數據課程知識點多，課程難度較大。雖然是0基礎入門，但企業對大數據人才招聘要求高，至少需要本科學歷，建議本科及以上學歷同學報名。

南京北大青鳥祝你學有所成！

北大青鳥中博軟體學院小班教學實拍

㈡ 智慧城市核心是什麼智慧城市與信息化的區別智慧城市忽悠了什麼人

智慧城市，目前全球智慧城市從概念和模型階段發展到了規劃和建設階段，仍處於探索期。區塊鏈也是一個處於探索階段的風口技術，眾多人蜂擁而上。

基於區塊鏈技術的智慧城市已經逐漸興起，匯新雲平台為滿足用戶需求，已入駐了數名智慧城市方面領域的產品經理，為了加速在智慧城市領域進行布局，在金融系統、審計系統、供應鏈、能源電力、智慧園區管理系統，智慧交通應用等領域均取得了長足的進步。

新型智慧城市主要圍繞以大數據和區塊鏈技術為核心建設的。通過組合「一中心、四平台、多應用、統一鏈「的方式構成多維度的智慧城市解決方案。

所謂「一中心」是基於城市的各維度大數據中心。「四平台」即智慧政務綜合信息服務平台、智慧城管綜合信息服務平台、智慧民生綜合信息服務平台和智慧經濟綜合信息服務平台。「多應用」包含了各類的智慧應用。最後「統一鏈」則是基於區塊鏈的可信智慧城市信息生態。

基於智慧城市總體解決方案呈現，根據四個維度來剖析分別為：感知層、網路層、平台層和應用層，

感知層：包含由各種感測器、RFID電子標簽、各類職稱網路的硬體網關設備和互聯網設備。這些感知層硬體主要來支撐我們各種網路。

網路層：該層是從感知層的各種硬體設備上，構件的一個支撐通信和數據的載體網路。一般來說我們包含三類即物聯網、通信網和互聯網。

平台層：平台層主要是通過在載體網路上構件的各種信息平台。這些信息平台為我們後續構件各類應用提供基本信息服務。常見的如數據中心平台、徵信中心平台、IT中心平台等等。

應用層：應用層主要是在智慧城市構件的過程中，涉及到的方方面面專項服務，如智慧政務、智慧交通、智慧人社、智慧金融、智慧安防、智慧物聯網、智慧資產、智慧供應鏈以及智慧碳排放等等。

區塊鏈上的智慧城市有何不同？

這些年來，各地政府和行業巨頭紛紛發力智慧城市。創新聚能城構建在區塊鏈上，這與以往存在什麼不同？

和以往的智能城市項目不同，創新聚能城不是在現有城市物理和IT設施上加一個「智能應用層面」，而是從規劃和建設階段開始，從底層就部署支持物聯網、區塊鏈等技術的基礎設施。創新聚能城的兩大特點——分布式思維和開放協作。

分布式構建方式

採用分布式構建方式做城市。城市是個紛繁復雜的大系統，人口稠密，商業生態、場景、企業聚集，「區塊鏈智慧城市不必有完整的頂層設計，不必考慮好每一部分必須要怎麼做，只是會預先考慮到每一部分將會是區塊鏈網路的一部分，具體在設計的時候整合區塊鏈技術，整合隱含的開放性容許不同項目間的數據流通。」

區塊鏈的一大作用就在於打破數據孤島。而以往的智慧城市、智能城市管理項目仍然遭遇著數據孤島問題。可能無法對接不同公司做的智慧交通、智慧能源系統，但在區塊鏈上可以實現不同系統的互聯互通，並在打通的層次上面再搭建新應用，在實踐中不斷完善。分布式儲能技術是未來的需求

基於區塊鏈的智慧城市展望

城市是個紛繁復雜的綜合系統，人口稠密，各種場景匯聚在一起，這就註定了建設智慧城市是一個系統工程，需要藉助各種現有的技術來構建。區塊鏈技術並不是一種顛覆性的技術，而是基於現有的互聯網、大數據、雲計算等技術重塑信任機制，使網路不僅僅實現信息的傳播，而是實現價值的轉移。

區塊鏈技術在建設智慧城市中的應用，包括智慧園區、智慧物聯網等利用區塊鏈技術的點對點通信機制降低運營成本，普及物聯設備，利用其不對稱加密特性保護用戶隱私，重塑信任機制。智慧資產，利用區塊鏈技術進行實體資產的數字化證明，加速傳統資產的流通速度，縮短投周期，降低交易成本等。智慧供應鏈實現食品、工業品溯源，降低假貨風險。同時能夠打破信息孤島，促使供應鏈上下游交互，減少時間與經濟成本。

除此之外，區塊鏈技術在智慧城市建設過程中還有很多其他方面的應用，如智慧交通，電子政務，法律應用等領域均有著廣闊的前景。藉助一句區塊鏈領域流行語–未來已來只是尚未流行，基於區塊鏈技術的智慧城市未來可期。

（匯新雲科技徐生整理）

㈢ 什麼叫大數據，與雲計算有何關系。

大數據：難以用常規的資料庫工具獲取、存儲、管理、分析的數據集合。

雲計算：是基於互聯網的相關服務的增加、使用和交付模式。

海量數據上傳到雲平台後，大數據就會對數據進行深入分析和挖掘。說到大數據，就不得不講雲計算。這些數據是怎麼計算，怎麼處理的，就和雲計算分不開家。雲計算是提取大數據的前提，強大的雲計算能力，對於降低數據提取過程中的成本不可或缺。雲計算技術就是一個容器，大數據正是存放在這個容器中的水，大數據是要依靠雲計算技術來進行存儲和計算的。

㈣ 什麼是雲計算，大數據，人工智慧，智能城市

這個的比較的復雜啊

雲計算（cloud computing）是基於互聯網的相關服務的增加、使用和交付模式，通常涉及通過互聯網來提供動態易擴展且經常是虛擬化的資源。

大數據(big data,mega data)，或稱巨量資料，指的是需要新處理模式才能具有更強的決策力、洞察力和流程優化能力的系統分析

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

智能城市是一個系統。也稱為網路城市、數字化城市、信息城市。不但包括人腦智慧、電腦網路、物理設備這些基本的要素，還會形成新的經濟結構、增長方式和社會形態。

採納吧

㈤ 以下哪個不是大數據的特徵:A海量的數據規模B快速的數據流轉C多樣的數據類型D

選擇答案D，完整的題目D選項是價值密度高。所以選擇答案D，因為大數據的數據價值密度不是很高，可以用低來形容。

大數據是無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。

(5)以下哪個不屬於城市大數據平台的物理設施擴展閱讀：

大數據的特徵：

1、數據的大小決定所考慮的數據的價值和潛在的信息、數據類型的多樣性。

2、指獲得數據的速度、妨礙了處理和有效地管理數據的過程。

3、數據的質量、數據量巨大，來源多渠道。

4、合理運用大數據，以低成本創造高價值。

大數據技術的戰略意義不在於掌握龐大的數據信息，而在於對這些含有意義的數據進行專業化處理。換而言之，如果把大數據比作一種產業，那麼這種產業實現盈利的關鍵，在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。

大數據需要特殊的技術，以有效地處理大量的容忍經過時間內的數據。適用於大數據的技術，包括大規模並行處理（MPP）資料庫、數據挖掘、分布式文件系統、分布式資料庫、雲計算平台、互聯網和可擴展的存儲系統。

參考資料來源：網路-大數據

㈥ 大數據包括一些什麼

大數據技術包括數據收集、數據存取、基礎架構、數據處理、統計分析、數據挖掘、模型預測、結果呈現1、數據收集：在大數據的生命周期中，數據採集處於第一個環節。根據MapRece產生數據的應用系統分類，大數據的採集主要有4種來源：管理信息系統、Web信息系統、物理信息系統、科學實驗系統。2、數據存取：大數據的存去採用不同的技術路線，大致可以分為3類。第1類主要面對的是大規模的結構化數據。第2類主要面對的是半結構化和非結構化數據。第3類面對的是結構化和非結構化混合的大數據，3、基礎架構：雲存儲、分布式文件存儲等。4、數據處理：對於採集到的不同的數據集，可能存在不同的結構和模式，如文件、XML 樹、關系表等，表現為數據的異構性。對多個異構的數據集，需要做進一步集成處理或整合處理，將來自不同數據集的數據收集、整理、清洗、轉換後，生成到一個新的數據集，為後續查詢和分析處理提供統一的數據視圖。5、統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析(最優尺度分析)、bootstrap技術等等。6、數據挖掘：目前，還需要改進已有數據挖掘和機器學習技術；開發數據網路挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術；突破基於對象的數據連接、相似性連接等大數據融合技術；突破用戶興趣分析、網路行為分析、情感語義分析等面向領域的大數據挖掘技術。7、模型預測：預測模型、機器學習、建模模擬。8、結果呈現：雲計算、標簽雲、關系圖等。

㈦ 大數據、雲計算、人工智慧之間有什麼樣的關系

雲計算最初的目標是對資源的管理，管理的主要是計算資源，網路資源，存儲資源三個方面。想像你有一大堆的伺服器，交換機，存儲設備，放在你的機房裡面，你最想做的事情就是把這些東西統一的管理起來，最好能達到當別人向你請求分配資源的時候（例如1核1G內存，10G硬碟，1M帶寬的機器），能夠達到想什麼時候要就能什麼時候要，想要多少就有多少的狀態。

這就是所謂的彈性，俗話說就是靈活性。靈活性分兩個方面，想什麼時候要就什麼時候要，這叫做時間靈活性，想要多少就要多少，這叫做空間靈活性。

這個神經元有輸入，有輸出，輸入和輸出之間通過一個公式來表示，輸入根據重要程度不同(權重)，影響著輸出。

於是將n個神經元通過像一張神經網路一樣連接在一起，n這個數字可以很大很大，所有的神經元可以分成很多列，每一列很多個排列起來，每個神經元的對於輸入的權重可以都不相同，從而每個神經元的公式也不相同。當人們從這張網路中輸入一個東西的時候，希望輸出一個對人類來講正確的結果。例如上面的例子，輸入一個寫著2的圖片，輸出的列表裡面第二個數字最大，其實從機器來講，它既不知道輸入的這個圖片寫的是2，也不知道輸出的這一系列數字的意義，沒關系，人知道意義就可以了。正如對於神經元來說，他們既不知道視網膜看到的是美女，也不知道瞳孔放大是為了看的清楚，反正看到美女，瞳孔放大了，就可以了。

對於任何一張神經網路，誰也不敢保證輸入是2，輸出一定是第二個數字最大，要保證這個結果，需要訓練和學習。畢竟看到美女而瞳孔放大也是人類很多年進化的結果。學習的過程就是，輸入大量的圖片，如果結果不是想要的結果，則進行調整。如何調整呢，就是每個神經元的每個權重都向目標進行微調，由於神經元和權重實在是太多了，所以整張網路產生的結果很難表現出非此即彼的結果，而是向著結果微微的進步，最終能夠達到目標結果。當然這些調整的策略還是非常有技巧的，需要演算法的高手來仔細的調整。正如人類見到美女，瞳孔一開始沒有放大到能看清楚，於是美女跟別人跑了，下次學習的結果是瞳孔放大一點點，而不是放大鼻孔。

聽起來也沒有那麼有道理，但是的確能做到，就是這么任性。

神經網路的普遍性定理是這樣說的，假設某個人給你某種復雜奇特的函數，f(x)：

不管這個函數是什麼樣的，總會確保有個神經網路能夠對任何可能的輸入x，其值f(x)（或者某個能夠准確的近似）是神經網路的輸出。

如果在函數代表著規律，也意味著這個規律無論多麼奇妙，多麼不能理解，都是能通過大量的神經元，通過大量權重的調整，表示出來的。

這讓我想到了經濟學，於是比較容易理解了。

我們把每個神經元當成社會中從事經濟活動的個體。於是神經網路相當於整個經濟社會，每個神經元對於社會的輸入，都有權重的調整，做出相應的輸出，比如工資漲了，菜價也漲了，股票跌了，我應該怎麼辦，怎麼花自己的錢。這裡面沒有規律么？肯定有，但是具體什麼規律呢？卻很難說清楚。

基於專家系統的經濟屬於計劃經濟，整個經濟規律的表示不希望通過每個經濟個體的獨立決策表現出來，而是希望通過專家的高屋建瓴和遠見卓識總結出來。專家永遠不可能知道哪個城市的哪個街道缺少一個賣甜豆腐腦的。於是專家說應該產多少鋼鐵，產多少饅頭，往往距離人民生活的真正需求有較大的差距，就算整個計劃書寫個幾百頁，也無法表達隱藏在人民生活中的小規律。

基於統計的宏觀調控就靠譜的多了，每年統計局都會統計整個社會的就業率，通脹率，GDP等等指標，這些指標往往代表著很多的內在規律，雖然不能夠精確表達，但是相對靠譜。然而基於統計的規律總結表達相對比較粗糙，比如經濟學家看到這些統計數據可以總結出長期來看房價是漲還是跌，股票長期來看是漲還是跌，如果經濟總體上揚，房價和股票應該都是漲的。但是基於統計數據，無法總結出股票，物價的微小波動規律。

基於神經網路的微觀經濟學才是對整個經濟規律最最准確的表達，每個人對於從社會中的輸入，進行各自的調整，並且調整同樣會作為輸入反饋到社會中。想像一下股市行情細微的波動曲線，正是每個獨立的個體各自不斷交易的結果，沒有統一的規律可循。而每個人根據整個社會的輸入進行獨立決策，當某些因素經過多次訓練，也會形成宏觀上的統計性的規律，這也就是宏觀經濟學所能看到的。例如每次貨幣大量發行，最後房價都會上漲，多次訓練後，人們也就都學會了。

然而神經網路包含這么多的節點，每個節點包含非常多的參數，整個參數量實在是太大了，需要的計算量實在太大，但是沒有關系啊，我們有大數據平台，可以匯聚多台機器的力量一起來計算，才能在有限的時間內得到想要的結果。

於是工智能程序作為SaaS平台進入了雲計算。

網易將人工智慧這個強大的技術，應用於反垃圾工作中，從網易1997年推出郵箱產品開始，我們的反垃圾技術就在不停的進化升級，並且成功應用到各個億量級用戶的產品線中，包括影音娛樂，游戲，社交，電商等產品線。比如網易新聞、博客相冊、雲音樂、雲閱讀、有道、BOBO、考拉、游戲等產品。總的來說，反垃圾技術在網易已經積累了19年的實踐經驗，一直在背後默默的為網易產品保駕護航。現在作為雲平台的SaaS服務開放出來。

回顧網易反垃圾技術發展歷程，大致上我們可以把他分為三個關鍵階段，也基本對應著人工智慧發展的三個時期：

第一階段主要是依賴關鍵詞，黑白名單和各種過濾器技術，來做一些內容的偵測和攔截，這也是最基礎的階段，受限於當時計算能力瓶頸以及演算法理論的發展，第一階段的技術也能勉強滿足使用。

第二個階段時，基於計算機行業里有一些更新的演算法，比如說貝葉斯過濾(基於概率論的演算法)，一些膚色的識別，紋理的識別等等，這些比較優秀成熟的論文出來，我們可以基於這些演算法做更好的特徵匹配和技術改造，達到更優的反垃圾效果。

最後，隨著人工智慧演算法的進步和計算機運算能力的突飛猛進，反垃圾技術進化到第三個階段：大數據和人工智慧的階段。我們會用海量大數據做用戶的行為分析，對用戶做畫像，評估用戶是一個垃圾用戶還是一個正常用戶，增加用戶體驗更好的人機識別手段，以及對語義文本進行理解。還有基於人工智慧的圖像識別技術，更准確識別是否是色情圖片，廣告圖片以及一些違禁品圖片等等。

㈧ 大數據的定義是什麼

大數據首先是一個非常大的數據集，可以達到TB(萬億位元組)甚至ZB(十萬億億位元組)。這裡面的數據可能既有結構化的數據，也有半結構化和非結構化的數據，而且來自於不同的數據源。

結構化的數據是什麼呢？對於接觸過關系型資料庫的小夥伴來說，應該一點都不陌生。對了，就是我們關系型資料庫中的一張表，每行都具有相同的屬性。如下面的一張表：

（子標簽的次序和個數不一定完全一致）

那什麼又是非結構化數據呢?這類數據沒有預定義完整的數據結構，在我們日常工作生活中可能更多接觸的就是這類數據，比如，圖片、圖像、音頻、視頻、辦公文檔等等。

知道了這三類結構的數據，我們再來看看大數據的數據源有哪些呢?歸納起來大致有五種數據源。

一是社交媒體平台。如有名氣的Facebook、Twitter、YouTube和Instagram等。媒體是比較受歡迎的大數據來源之一，因為它提供了關於消費者偏好和變化趨勢的寶貴依據。並且因為媒體是自我傳播的，可以跨越物理和人口障礙，因此它是企業深入了解目標受眾、得出模式和結論、增強決策能力的方式。

二是雲平台。公有的、私有的和第三方的雲平台。如今，越來越多的企業將數據轉移到雲上，超越了傳統的數據源。雲存儲支持結構化和非結構化數據，並為業務提供實時信息和隨需應變的依據。雲計算的主要特性是靈活性和可伸縮性。由於大數據可以通過網路和伺服器在公共或私有雲上存儲和獲取，因此雲是一種高效、經濟的數據源。

三是Web資源。公共網路構成了廣泛且易於訪問的大數據，個人和公司都可以從網上或「互聯網」上獲得數據。此外，國內的大型購物網站，淘寶、京東、阿里巴巴，更是雲集了海量的用戶數據。

四是IoT(Internet of Things)物聯網數據源。物聯網目前正處於迅猛發展勢頭。有了物聯網，我們不僅可以從電腦和智能手機獲取數據，還可以從醫療設備、車輛流程、視頻游戲、儀表、相機、家用電器等方面獲取數據。這些都構成了大數據寶貴的數據來源。

五是來自於資料庫的數據源。現今的企業都喜歡融合使用傳統和現代資料庫來獲取相關的大數據。這些數據都是企業驅動業務利潤的寶貴資源。常見的資料庫有MS Access、DB2、Oracle、MySQL以及大數據的資料庫Hbase、MongoDB等。

我們再來總結一下，什麼樣的數據就屬於大數據呢？通常來大數據有4個特點，這就是業內人士常說的4V，volume容量、 variety多樣性、velocity速度和veracity准確性。

㈨ 什麼是 BIM，它的具體作用是什麼

BIM的英文全稱是Building Information Modeling，是指建築信息化模型。

BIM是一個完備的信息模型，能夠將工程項目在全生命周期中各個不同階段的工程信息、過程和資源集成在一個模型中，方便的被工程各參與方使用。

(9)以下哪個不屬於城市大數據平台的物理設施擴展閱讀

建築信息的數據在BIM中的存儲，主要以各種數字技術為依託，從而以這個數字信息模型作為各個建築項目的基礎，去進行各個相關工作 。

在建築工程整個生命周期中，建築信息模型可以實現集成管理，因此這一模型既包括建築物的信息模型，同時又包括建築工程管理行為的模型。將建築物的信息模型同建築工程的管理行為模型進行完美的組合。因此在一定范圍內，建築信息模型可以模擬實際的建築工程建設行為，例如：建築物的日照、外部維護結構的傳熱狀態等。

參考資料網路-BIM

㈩ 下面哪一項不屬於大數據系統的必備要素 a.雲平台 b.物聯網 c.數據 d

試題答案：C 試題解析：試題分析：地圖的三要素：比例尺、方向和圖例。分層設色地形圖是地圖的一種，與等高線地形圖類似。 考點：本題主要考查的是地圖的知識。 點評：本題還可以考查比例尺：地圖上的比例尺，表示圖上距離比實際距離縮小的程度（在求算時注意統一單位）。公式：比例尺 = 圖上距離÷實際距離。比例尺的種類有：數字式（1：100 000）、線段式（ ）、文字式（圖上1厘米代表實地距離1千米）。比例尺的大小。地圖上的方向：一般地圖：面向地圖，上北下南，左西右東。指向標地圖：根據指向標定方向，方向標箭頭指向北方，再根據面向地圖，上北下南，左西右東確定位置。經緯網地圖。