標籤：大資料技術大會 machine learning 機器學習 感知計算 深度學習
1、落地、跨界、效率、領導見面就談大資料；
2、大資料成為主流產業需要5到10年；
3、資料是表象，實質是問題；
4、Doug Cutting：Fuel for change:data, EDH, Style catches on:ecosySystem, the Data Multi-Tool, Cloudera;
1、白皮書，發展趨勢；
2、融合，跨界，基礎，突破；
3、多學科融合，安全與隱私令人擔憂；
4、深度學習，可視化分析，開源系統；
5、裝置監測監視監控的資料成為熱點；
6、天津濱海新區；
7、大資料創意比賽，學產生績預測；
1、Store Anything, Object Stonge, Scalable;
2、Real time bidding;
3、如何用非編程的方式做資料分析；
4、Watson 感知計算；
5、DeepQA 深度問題解答；
1、屌絲如何使用大資料；
2、通訊等待協同會浪費多台機器的效能；
3、Hadoop 90%的時候是在等待，節點模型；
4、普適軟體裝置，中介層，中介軟體；
5、風險很大，回報很低；不是每個公司都能玩的；
6、機器學習需要反覆的迭代；
7、硬碟讀取代價很高；
8、資料和模型的兩向性；
9、ML Machine Learning
10、Spark：Faster MapR on Data Parallel;
11、GraphLab，PETUUM，半同步；
12、SAP基於結構的並行化；
1、讀懂人心；
2、gartner 預測；
3、感知，思考，控制；
4、學習的能力是智能的本質；
5、經驗就是資料；百度經驗；
6、人類（每個人）要串連1000個裝置--萬物互聯；
7、萬物互聯--萬物智能；
8、推廣誤差-》分解-》假設-》模型；
沒有完美的假設；
9、資料不完美：雜訊，不全，有限；
10、演算法不完美；
11、智能是非常消耗能量的；
BDTC2014中國大資料技術大會 會議記錄
