以下哪个不属于城市大数据平台的物理设施

㈠ 大数据专业主要学什么

“大数据”简单来说，就是一些把我们需要观察的对象数据化，然后把数据输入计算机，让计算机对这些大量的数据进行分析之后，给出我们一些结论。

学的主要内容有：

①JavaSE核心技术

②Hadoop平台核心技术、Hive开发、HBase开发

③Spark相关技术、Scala基本编程

④掌握Python基本使用、核心库的使用、Python爬虫、简单数据分析；理解Python机器学习

⑤大数据项目开发实战，大数据系统管理优化

⑥云平台开发技术

整体来说，大数据课程知识点多，课程难度较大。虽然是0基础入门，但企业对大数据人才招聘要求高，至少需要本科学历，建议本科及以上学历同学报名。

南京北大青鸟祝你学有所成！

北大青鸟中博软件学院小班教学实拍

㈡ 智慧城市核心是什么智慧城市与信息化的区别智慧城市忽悠了什么人

智慧城市，目前全球智慧城市从概念和模型阶段发展到了规划和建设阶段，仍处于探索期。区块链也是一个处于探索阶段的风口技术，众多人蜂拥而上。

基于区块链技术的智慧城市已经逐渐兴起，汇新云平台为满足用户需求，已入驻了数名智慧城市方面领域的产品经理，为了加速在智慧城市领域进行布局，在金融系统、审计系统、供应链、能源电力、智慧园区管理系统，智慧交通应用等领域均取得了长足的进步。

新型智慧城市主要围绕以大数据和区块链技术为核心建设的。通过组合“一中心、四平台、多应用、统一链“的方式构成多维度的智慧城市解决方案。

所谓“一中心”是基于城市的各维度大数据中心。“四平台”即智慧政务综合信息服务平台、智慧城管综合信息服务平台、智慧民生综合信息服务平台和智慧经济综合信息服务平台。“多应用”包含了各类的智慧应用。最后“统一链”则是基于区块链的可信智慧城市信息生态。

基于智慧城市总体解决方案呈现，根据四个维度来剖析分别为：感知层、网络层、平台层和应用层，

感知层：包含由各种传感器、RFID电子标签、各类职称网络的硬件网关设备和互联网设备。这些感知层硬件主要来支撑我们各种网络。

网络层：该层是从感知层的各种硬件设备上，构件的一个支撑通信和数据的载体网络。一般来说我们包含三类即物联网、通信网和互联网。

平台层：平台层主要是通过在载体网络上构件的各种信息平台。这些信息平台为我们后续构件各类应用提供基本信息服务。常见的如数据中心平台、征信中心平台、IT中心平台等等。

应用层：应用层主要是在智慧城市构件的过程中，涉及到的方方面面专项服务，如智慧政务、智慧交通、智慧人社、智慧金融、智慧安防、智慧物联网、智慧资产、智慧供应链以及智慧碳排放等等。

区块链上的智慧城市有何不同？

这些年来，各地政府和行业巨头纷纷发力智慧城市。创新聚能城构建在区块链上，这与以往存在什么不同？

和以往的智能城市项目不同，创新聚能城不是在现有城市物理和IT设施上加一个“智能应用层面”，而是从规划和建设阶段开始，从底层就部署支持物联网、区块链等技术的基础设施。创新聚能城的两大特点——分布式思维和开放协作。

分布式构建方式

采用分布式构建方式做城市。城市是个纷繁复杂的大系统，人口稠密，商业生态、场景、企业聚集，“区块链智慧城市不必有完整的顶层设计，不必考虑好每一部分必须要怎么做，只是会预先考虑到每一部分将会是区块链网络的一部分，具体在设计的时候整合区块链技术，整合隐含的开放性容许不同项目间的数据流通。”

区块链的一大作用就在于打破数据孤岛。而以往的智慧城市、智能城市管理项目仍然遭遇着数据孤岛问题。可能无法对接不同公司做的智慧交通、智慧能源系统，但在区块链上可以实现不同系统的互联互通，并在打通的层次上面再搭建新应用，在实践中不断完善。分布式储能技术是未来的需求

基于区块链的智慧城市展望

城市是个纷繁复杂的综合系统，人口稠密，各种场景汇聚在一起，这就注定了建设智慧城市是一个系统工程，需要借助各种现有的技术来构建。区块链技术并不是一种颠覆性的技术，而是基于现有的互联网、大数据、云计算等技术重塑信任机制，使网络不仅仅实现信息的传播，而是实现价值的转移。

区块链技术在建设智慧城市中的应用，包括智慧园区、智慧物联网等利用区块链技术的点对点通信机制降低运营成本，普及物联设备，利用其不对称加密特性保护用户隐私，重塑信任机制。智慧资产，利用区块链技术进行实体资产的数字化证明，加速传统资产的流通速度，缩短投周期，降低交易成本等。智慧供应链实现食品、工业品溯源，降低假货风险。同时能够打破信息孤岛，促使供应链上下游交互，减少时间与经济成本。

除此之外，区块链技术在智慧城市建设过程中还有很多其他方面的应用，如智慧交通，电子政务，法律应用等领域均有着广阔的前景。借助一句区块链领域流行语–未来已来只是尚未流行，基于区块链技术的智慧城市未来可期。

（汇新云科技徐生整理）

㈢ 什么叫大数据，与云计算有何关系。

大数据：难以用常规的数据库工具获取、存储、管理、分析的数据集合。

云计算：是基于互联网的相关服务的增加、使用和交付模式。

海量数据上传到云平台后，大数据就会对数据进行深入分析和挖掘。说到大数据，就不得不讲云计算。这些数据是怎么计算，怎么处理的，就和云计算分不开家。云计算是提取大数据的前提，强大的云计算能力，对于降低数据提取过程中的成本不可或缺。云计算技术就是一个容器，大数据正是存放在这个容器中的水，大数据是要依靠云计算技术来进行存储和计算的。

㈣ 什么是云计算，大数据，人工智能，智能城市

这个的比较的复杂啊

云计算（cloud computing）是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。

大数据(big data,mega data)，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的系统分析

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

智能城市是一个系统。也称为网络城市、数字化城市、信息城市。不但包括人脑智慧、电脑网络、物理设备这些基本的要素，还会形成新的经济结构、增长方式和社会形态。

采纳吧

㈤ 以下哪个不是大数据的特征:A海量的数据规模B快速的数据流转C多样的数据类型D

选择答案D，完整的题目D选项是价值密度高。所以选择答案D，因为大数据的数据价值密度不是很高，可以用低来形容。

大数据是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。

(5)以下哪个不属于城市大数据平台的物理设施扩展阅读：

大数据的特征：

1、数据的大小决定所考虑的数据的价值和潜在的信息、数据类型的多样性。

2、指获得数据的速度、妨碍了处理和有效地管理数据的过程。

3、数据的质量、数据量巨大，来源多渠道。

4、合理运用大数据，以低成本创造高价值。

大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

参考资料来源：网络-大数据

㈥ 大数据包括一些什么

大数据技术包括数据收集、数据存取、基础架构、数据处理、统计分析、数据挖掘、模型预测、结果呈现1、数据收集：在大数据的生命周期中，数据采集处于第一个环节。根据MapRece产生数据的应用系统分类，大数据的采集主要有4种来源：管理信息系统、Web信息系统、物理信息系统、科学实验系统。2、数据存取：大数据的存去采用不同的技术路线，大致可以分为3类。第1类主要面对的是大规模的结构化数据。第2类主要面对的是半结构化和非结构化数据。第3类面对的是结构化和非结构化混合的大数据，3、基础架构：云存储、分布式文件存储等。4、数据处理：对于采集到的不同的数据集，可能存在不同的结构和模式，如文件、XML 树、关系表等，表现为数据的异构性。对多个异构的数据集，需要做进一步集成处理或整合处理，将来自不同数据集的数据收集、整理、清洗、转换后，生成到一个新的数据集，为后续查询和分析处理提供统一的数据视图。5、统计分析：假设检验、显着性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析(最优尺度分析)、bootstrap技术等等。6、数据挖掘：目前，还需要改进已有数据挖掘和机器学习技术；开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术；突破基于对象的数据连接、相似性连接等大数据融合技术；突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。7、模型预测：预测模型、机器学习、建模仿真。8、结果呈现：云计算、标签云、关系图等。

㈦ 大数据、云计算、人工智能之间有什么样的关系

云计算最初的目标是对资源的管理，管理的主要是计算资源，网络资源，存储资源三个方面。想象你有一大堆的服务器，交换机，存储设备，放在你的机房里面，你最想做的事情就是把这些东西统一的管理起来，最好能达到当别人向你请求分配资源的时候（例如1核1G内存，10G硬盘，1M带宽的机器），能够达到想什么时候要就能什么时候要，想要多少就有多少的状态。

这就是所谓的弹性，俗话说就是灵活性。灵活性分两个方面，想什么时候要就什么时候要，这叫做时间灵活性，想要多少就要多少，这叫做空间灵活性。

这个神经元有输入，有输出，输入和输出之间通过一个公式来表示，输入根据重要程度不同(权重)，影响着输出。

于是将n个神经元通过像一张神经网络一样连接在一起，n这个数字可以很大很大，所有的神经元可以分成很多列，每一列很多个排列起来，每个神经元的对于输入的权重可以都不相同，从而每个神经元的公式也不相同。当人们从这张网络中输入一个东西的时候，希望输出一个对人类来讲正确的结果。例如上面的例子，输入一个写着2的图片，输出的列表里面第二个数字最大，其实从机器来讲，它既不知道输入的这个图片写的是2，也不知道输出的这一系列数字的意义，没关系，人知道意义就可以了。正如对于神经元来说，他们既不知道视网膜看到的是美女，也不知道瞳孔放大是为了看的清楚，反正看到美女，瞳孔放大了，就可以了。

对于任何一张神经网络，谁也不敢保证输入是2，输出一定是第二个数字最大，要保证这个结果，需要训练和学习。毕竟看到美女而瞳孔放大也是人类很多年进化的结果。学习的过程就是，输入大量的图片，如果结果不是想要的结果，则进行调整。如何调整呢，就是每个神经元的每个权重都向目标进行微调，由于神经元和权重实在是太多了，所以整张网络产生的结果很难表现出非此即彼的结果，而是向着结果微微的进步，最终能够达到目标结果。当然这些调整的策略还是非常有技巧的，需要算法的高手来仔细的调整。正如人类见到美女，瞳孔一开始没有放大到能看清楚，于是美女跟别人跑了，下次学习的结果是瞳孔放大一点点，而不是放大鼻孔。

听起来也没有那么有道理，但是的确能做到，就是这么任性。

神经网络的普遍性定理是这样说的，假设某个人给你某种复杂奇特的函数，f(x)：

不管这个函数是什么样的，总会确保有个神经网络能够对任何可能的输入x，其值f(x)（或者某个能够准确的近似）是神经网络的输出。

如果在函数代表着规律，也意味着这个规律无论多么奇妙，多么不能理解，都是能通过大量的神经元，通过大量权重的调整，表示出来的。

这让我想到了经济学，于是比较容易理解了。

我们把每个神经元当成社会中从事经济活动的个体。于是神经网络相当于整个经济社会，每个神经元对于社会的输入，都有权重的调整，做出相应的输出，比如工资涨了，菜价也涨了，股票跌了，我应该怎么办，怎么花自己的钱。这里面没有规律么？肯定有，但是具体什么规律呢？却很难说清楚。

基于专家系统的经济属于计划经济，整个经济规律的表示不希望通过每个经济个体的独立决策表现出来，而是希望通过专家的高屋建瓴和远见卓识总结出来。专家永远不可能知道哪个城市的哪个街道缺少一个卖甜豆腐脑的。于是专家说应该产多少钢铁，产多少馒头，往往距离人民生活的真正需求有较大的差距，就算整个计划书写个几百页，也无法表达隐藏在人民生活中的小规律。

基于统计的宏观调控就靠谱的多了，每年统计局都会统计整个社会的就业率，通胀率，GDP等等指标，这些指标往往代表着很多的内在规律，虽然不能够精确表达，但是相对靠谱。然而基于统计的规律总结表达相对比较粗糙，比如经济学家看到这些统计数据可以总结出长期来看房价是涨还是跌，股票长期来看是涨还是跌，如果经济总体上扬，房价和股票应该都是涨的。但是基于统计数据，无法总结出股票，物价的微小波动规律。

基于神经网络的微观经济学才是对整个经济规律最最准确的表达，每个人对于从社会中的输入，进行各自的调整，并且调整同样会作为输入反馈到社会中。想象一下股市行情细微的波动曲线，正是每个独立的个体各自不断交易的结果，没有统一的规律可循。而每个人根据整个社会的输入进行独立决策，当某些因素经过多次训练，也会形成宏观上的统计性的规律，这也就是宏观经济学所能看到的。例如每次货币大量发行，最后房价都会上涨，多次训练后，人们也就都学会了。

然而神经网络包含这么多的节点，每个节点包含非常多的参数，整个参数量实在是太大了，需要的计算量实在太大，但是没有关系啊，我们有大数据平台，可以汇聚多台机器的力量一起来计算，才能在有限的时间内得到想要的结果。

于是工智能程序作为SaaS平台进入了云计算。

网易将人工智能这个强大的技术，应用于反垃圾工作中，从网易1997年推出邮箱产品开始，我们的反垃圾技术就在不停的进化升级，并且成功应用到各个亿量级用户的产品线中，包括影音娱乐，游戏，社交，电商等产品线。比如网易新闻、博客相册、云音乐、云阅读、有道、BOBO、考拉、游戏等产品。总的来说，反垃圾技术在网易已经积累了19年的实践经验，一直在背后默默的为网易产品保驾护航。现在作为云平台的SaaS服务开放出来。

回顾网易反垃圾技术发展历程，大致上我们可以把他分为三个关键阶段，也基本对应着人工智能发展的三个时期：

第一阶段主要是依赖关键词，黑白名单和各种过滤器技术，来做一些内容的侦测和拦截，这也是最基础的阶段，受限于当时计算能力瓶颈以及算法理论的发展，第一阶段的技术也能勉强满足使用。

第二个阶段时，基于计算机行业里有一些更新的算法，比如说贝叶斯过滤(基于概率论的算法)，一些肤色的识别，纹理的识别等等，这些比较优秀成熟的论文出来，我们可以基于这些算法做更好的特征匹配和技术改造，达到更优的反垃圾效果。

最后，随着人工智能算法的进步和计算机运算能力的突飞猛进，反垃圾技术进化到第三个阶段：大数据和人工智能的阶段。我们会用海量大数据做用户的行为分析，对用户做画像，评估用户是一个垃圾用户还是一个正常用户，增加用户体验更好的人机识别手段，以及对语义文本进行理解。还有基于人工智能的图像识别技术，更准确识别是否是色情图片，广告图片以及一些违禁品图片等等。

㈧ 大数据的定义是什么

大数据首先是一个非常大的数据集，可以达到TB(万亿字节)甚至ZB(十万亿亿字节)。这里面的数据可能既有结构化的数据，也有半结构化和非结构化的数据，而且来自于不同的数据源。

结构化的数据是什么呢？对于接触过关系型数据库的小伙伴来说，应该一点都不陌生。对了，就是我们关系型数据库中的一张表，每行都具有相同的属性。如下面的一张表：

（子标签的次序和个数不一定完全一致）

那什么又是非结构化数据呢?这类数据没有预定义完整的数据结构，在我们日常工作生活中可能更多接触的就是这类数据，比如，图片、图像、音频、视频、办公文档等等。

知道了这三类结构的数据，我们再来看看大数据的数据源有哪些呢?归纳起来大致有五种数据源。

一是社交媒体平台。如有名气的Facebook、Twitter、YouTube和Instagram等。媒体是比较受欢迎的大数据来源之一，因为它提供了关于消费者偏好和变化趋势的宝贵依据。并且因为媒体是自我传播的，可以跨越物理和人口障碍，因此它是企业深入了解目标受众、得出模式和结论、增强决策能力的方式。

二是云平台。公有的、私有的和第三方的云平台。如今，越来越多的企业将数据转移到云上，超越了传统的数据源。云存储支持结构化和非结构化数据，并为业务提供实时信息和随需应变的依据。云计算的主要特性是灵活性和可伸缩性。由于大数据可以通过网络和服务器在公共或私有云上存储和获取，因此云是一种高效、经济的数据源。

三是Web资源。公共网络构成了广泛且易于访问的大数据，个人和公司都可以从网上或“互联网”上获得数据。此外，国内的大型购物网站，淘宝、京东、阿里巴巴，更是云集了海量的用户数据。

四是IoT(Internet of Things)物联网数据源。物联网目前正处于迅猛发展势头。有了物联网，我们不仅可以从电脑和智能手机获取数据，还可以从医疗设备、车辆流程、视频游戏、仪表、相机、家用电器等方面获取数据。这些都构成了大数据宝贵的数据来源。

五是来自于数据库的数据源。现今的企业都喜欢融合使用传统和现代数据库来获取相关的大数据。这些数据都是企业驱动业务利润的宝贵资源。常见的数据库有MS Access、DB2、Oracle、MySQL以及大数据的数据库Hbase、MongoDB等。

我们再来总结一下，什么样的数据就属于大数据呢？通常来大数据有4个特点，这就是业内人士常说的4V，volume容量、 variety多样性、velocity速度和veracity准确性。

㈨ 什么是 BIM，它的具体作用是什么

BIM的英文全称是Building Information Modeling，是指建筑信息化模型。

BIM是一个完备的信息模型，能够将工程项目在全生命周期中各个不同阶段的工程信息、过程和资源集成在一个模型中，方便的被工程各参与方使用。

(9)以下哪个不属于城市大数据平台的物理设施扩展阅读

建筑信息的数据在BIM中的存储，主要以各种数字技术为依托，从而以这个数字信息模型作为各个建筑项目的基础，去进行各个相关工作 。

在建筑工程整个生命周期中，建筑信息模型可以实现集成管理，因此这一模型既包括建筑物的信息模型，同时又包括建筑工程管理行为的模型。将建筑物的信息模型同建筑工程的管理行为模型进行完美的组合。因此在一定范围内，建筑信息模型可以模拟实际的建筑工程建设行为，例如：建筑物的日照、外部维护结构的传热状态等。

参考资料网络-BIM

㈩ 下面哪一项不属于大数据系统的必备要素 a.云平台 b.物联网 c.数据 d

试题答案：C 试题解析：试题分析：地图的三要素：比例尺、方向和图例。分层设色地形图是地图的一种，与等高线地形图类似。 考点：本题主要考查的是地图的知识。 点评：本题还可以考查比例尺：地图上的比例尺，表示图上距离比实际距离缩小的程度（在求算时注意统一单位）。公式：比例尺 = 图上距离÷实际距离。比例尺的种类有：数字式（1：100 000）、线段式（ ）、文字式（图上1厘米代表实地距离1千米）。比例尺的大小。地图上的方向：一般地图：面向地图，上北下南，左西右东。指向标地图：根据指向标定方向，方向标箭头指向北方，再根据面向地图，上北下南，左西右东确定位置。经纬网地图。