本書主要涉及數(shù)據工程、人工智能算法原理，大數(shù)據平臺技術、人工智能算法在大數(shù)據平臺上的實現(xiàn)、人工智能算法的應用與實踐。全書共 7 章。第 1 章是大數(shù)據與人工智能的歷史、應用；第 2 章是數(shù)據工程；第 3 章是人工智能基礎算法的原理介紹；第 4 章是大數(shù)據平臺的介紹；第 5 章以第 3 章中的幾種算法為例，介紹了它們是如何在大數(shù)據平臺上分布式實現(xiàn)的；第 6 章是當前熱門的深度學習技術的介紹；第 7 章是實踐。本書可作為希望快速了解和入門本領域知識的本科生、研究生的參考書，也可供互聯(lián)網領域中對人工智能算法感興趣的工程技術人員參考使用。

　　當人類開始發(fā)明計算機的時候，就已經在思考如何讓計算機獲取“智能”。如今，伴隨著社會的日益數(shù)字化，人類社會進入大數(shù)據時代，海量的數(shù)據和云計算使人工智能進入一個快速發(fā)展期。作者在平時科研與教學中發(fā)現(xiàn)，許多學生對人工智能與大數(shù)據領域表現(xiàn)出了極大的興趣。市面上雖然有許多優(yōu)秀的相關類型的圖書，然而，它們大部分都假設讀者已經具備了很高的數(shù)學基礎，這是許多學生尤其是非數(shù)學系的本科生所不具備的。除此之外，有的圖書對細節(jié)介紹非常詳盡，這使初學者容易陷入其中而忽視了整體。有的圖書則完全介紹理論，也容易導致初學者不會學以致用。因此，作者萌生了寫一本真正適合初學者的大數(shù)據與人工智能圖書的想法，希望能指引更多有志于研究該領域的學習者少走一些彎路，順利邁入人工智能的大門。全書共 7 章，大體可分為 4 個部分。第一部分是第 1~2 章，介紹人工智能和大數(shù)據的基本知識；第二部分是第 3~4 章，介紹一些最經典而常用的機器學習算法和常用的大數(shù)據處理平臺；第三部分是第 5~6 章，介紹一些進階知識，包括一些機器學習算法的并行化實現(xiàn)和深度學習的內容；第四部分即第 7 章是實踐部分，用案例來學習前面學習的算法是如何應用在實際中的。其中，第三部分的兩章相對獨立，讀者可以根據自己的興趣和時間情況選擇使用。作者認為，對于初學者而言，應該適當增加學習的廣度而降低學習的深度。本書對數(shù)據工程、機器學習、大數(shù)據以及機器學習的并行化實現(xiàn)、深度學習均予以介紹，已經涵蓋了大部分人工智能的基礎性內容。需要指出的是，理論上機器學習只是人工智能的一種解決方案。然而，近年來，機器學習已經在人工智能領域中占據了絕對主導地位。因此本書作為一本旨在服務初學者的圖書，并不會區(qū)分它們。作者在本書中試圖盡可能地少使用數(shù)學知識，對于一些不可避免的部分，力求展現(xiàn)其中的精華，同時亦在本書的最后介紹了一些確實不可避免的線性代數(shù)以及概率論知識。作者在保證廣度和淡化深度的同時，避免了羅列知識，而是有機地將各方面知識串接起來。對于應用實踐部分，一些基礎性編程語言的掌握是必不可少的，作者在附錄中介紹了 Java 和 Python，供有需要的讀者閱讀。

　　隨著移動通信技術和智能終端設備的飛速發(fā)展，全球數(shù)據通信總量也逐年激增。一方面，由于數(shù)據產生方式發(fā)生了從手工生產到自動化生產的改變，人類為了實現(xiàn)對信息的全量化收集，大量使用傳感器（目前全球有 3 B~5 B 個傳感器），這些傳感器 24 h 都在產生數(shù)據，加快了信息的爆發(fā)式增長；另一方面，由于人類活動越來越離不開數(shù)據，人類的日常生活已經與數(shù)據成為密不可分的整體。伴隨著移動智能設備的普及（圖 1-1 中的數(shù)據顯示了近幾年全球網絡用戶數(shù)量的變化），移動端的數(shù)據已經逐步增長并成為最主要的數(shù)據來源：社交通信中產生的文字、語音、圖像、視頻，生活應用中的位置信息、查詢請求信息，娛樂購物產生的產品介紹信息、訂單請求信息等無時無刻不在人們周圍產生并傳遞。舉例來說，Youtube 上每天會有來自全球 28.8 k 小時的視頻上傳量，Twitter 上每天大概會新增 50 M 條信息，亞馬遜每天產生 6.3 M 筆訂單……歐洲粒子物理研究所的大型強子對撞機，每秒產生的原始數(shù)據量高達 40 TB。2000 年斯隆數(shù)字巡天項目（SDSS，Sloan Digital Sky Survey）啟動的時候，位于墨西哥州的望遠鏡在短短幾周內收集到的數(shù)據比之前天文學歷史上收集的數(shù)據總和還要多。從科研領域到醫(yī)療衛(wèi)生領域，從銀行業(yè)到互聯(lián)網行業(yè)，各行各業(yè)都面臨著需要解決爆發(fā)式增長的數(shù)據量的難題。

　　隨著 AI 技術的發(fā)展，現(xiàn)如今幾乎各種技術的發(fā)展都涉及人工智能技術，人工智能技術已經滲透到許多領域，應用范圍主要包括以下 9 個方面。（1）符號計算計算機最主要的用途之一就是科學計算，科學計算可分為兩類：一類是純數(shù)值的計算，通常是對函數(shù)、公式的求值；另一類是符號計算，也稱代數(shù)運算，這種運算是對符號進行運算，并且符號可以代表整數(shù)、有理數(shù)、實數(shù)和復數(shù)，也可以代表多項式、函數(shù)、集合等。（2）模式識別模式識別就是通過計算機對數(shù)據樣本進行特征提取，并用數(shù)學方法來研究模式的自動處理和判讀。這里常說的模式是指文字、語音、生物特征、數(shù)字水印等環(huán)境與客體的結合體。（3）機器翻譯機器翻譯是通過計算機把一種自然語言轉換成另一種自然語言的過程，用以完成這一過程的軟件系統(tǒng)叫作機器翻譯系統(tǒng)。它是計算語言學（Computational Linguistics ）的一個分支，涉及計算機、認知科學、語言學、信息論等學科，是人工智能的終極目標之一，具有重要的科學研究價值。（4）機器學習機器學習是機器具有智能的重要標志，同時也是機器獲取知識的根本途徑。機器學習是一個難度較大的研究領域，它與認知科學、神經心理學、邏輯學等學科都有著密切的聯(lián)系，并對人工智能的其他分支，如專家系統(tǒng)、自然語言理解、自動推理、智能機器人、計算機視覺、計算機聽覺等方面，也會起到重要的推動作用。（5）邏輯推理與定理證明邏輯推理是人工智能研究中最持久的領域之一，其中特別重要的是要找到一些方法，只把注意力集中在一個大型數(shù)據庫中的有關事實上，留意可信的證明，并在出現(xiàn)新信息時適時修正這些證明。（6）自然語言處理自然語言的處理是人工智能技術應用于實際領域的典型范例，經過多年艱苦努力，這一領域已獲得了大量令人矚目的成果。目前該領域的主要課題是：計算機系統(tǒng)如何以主題和對話情境為基礎，注重大量的常識——世界知識和期望作用，生成和理解自然語言。（7）分布式人工智能分布式人工智能在 20 世紀 70 年代后期出現(xiàn)，是人工智能研究的一個重要分支。分布式人工智能系統(tǒng)一般由多個智能體（Agent）組成，每一個 Agent 又是一個半自治系統(tǒng)，Agent 之間以及 Agent 與環(huán)境之間進行并發(fā)活動，并通過交互來完成問題求解。（8）計算機視覺計算機視覺主要研究的是使計算機具有通過二維圖像認知三維環(huán)境信息的能力，這種能力不僅包括對三維環(huán)境中物體形狀、位置、姿態(tài)、運動等幾何信息的感知，而且還包括對這些信息的描述、存儲、識別與理解。（9）專家系統(tǒng)專家系統(tǒng)是目前人工智能中最活躍、最有成效的一個研究領域，它是一種具有特定領域內大量知識與經驗的程序系統(tǒng)。人類專家因其豐富的知識，能夠高效、快速地解決相應領域的眾多問題，基于這一事實，給計算機程序學習并使其靈活運用這些知識，也就能解決人類專家所解決的問題，而且能幫助人類專家發(fā)現(xiàn)推理過程中出現(xiàn)的差錯。

　　人工智能已經發(fā)展了 60 多年，雖然在研究解釋和模擬人類智能、智能行為及其規(guī)律這一總目標來說，已經取得了很大的進展。但從整體發(fā)展情況來看，人工智能發(fā)展過程曲折，而且還面臨著不少難題，主要集中在以下幾個方面。（1）機器翻譯機器翻譯遇到的最主要的問題是歧義性問題。構成句子的單詞和歧義性問題一直是自然語言理解（NLU，Natural Language Understanding）中的一大難關。不同的使用場景，句子的含義也可能天差地別。所以要想消除歧義，正確解釋句子語意必須結合具體語境。但現(xiàn)有的翻譯方式通常都是將句子甚至詞組作為理解單元，翻譯結果往往忽視具體語境。另外，即使對原文語意理解到位，如何將其正確地表示成另一種語言，也是一個難題。現(xiàn)有的 NLU 系統(tǒng)無法隨著時間增長而提高解讀能力，學習深度不夠。（2）自動定理證明自動定理證明需要機器擁有一套智能系統(tǒng)，不僅能夠對現(xiàn)有條件進行合理演繹，并且能夠做出正確判定。這一領域的代表性工作是 1965 年魯賓孫提出的歸結原理。歸結原理雖然簡單易行，但它所采用的方法是演繹，而這種形式上的演繹與人類自然演繹推理方法是截然不同的?；跉w結原理的演繹推理要求把邏輯公式轉化為子句集合，從而喪失了其固有的邏輯蘊含語義。（3）模式識別雖然使用計算機進行模式識別的研究與開發(fā)已取得大量成果，有的已成為產品投入實際應用，但是它的理論和方法與人的感官識別機制是全然不同的。一方面，人的識別手段、形象思維能力是任何最先進的計算機識別系統(tǒng)望塵莫及的；另一方面，在現(xiàn)實世界中，生活并不是一項結構嚴密的任務，一般的動物都能輕而易舉地對付，但機器不會，這并不是說它們永遠不會，而是說目前不會。技術的發(fā)展總是超乎人們的想象，要準確地預測人工智能的未來是不可能的。但是，從目前的一些前瞻性研究可以看出，未來人工智能可能會向以下幾個方面發(fā)展：模糊處理、并行化、神經網絡和機器情感。

　　人工智能作為一個整體的研究才剛剛開始，離其預定的目標還很遙遠，但人工智能在某些方面將會有大的突破。（1）自動推理是人工智能最經典的研究分支，其基本理論是人工智能其他分支的共同基礎。一直以來，自動推理都是人工智能研究的最熱門內容之一，其中知識系統(tǒng)的動態(tài)演化特征及可行性推理的研究是最新的熱點，很有可能取得大的突破。（2）機器學習的研究取得長足的發(fā)展。許多新的學習方法相繼問世并獲得了成功的應用，如增強學習（Reinforcement Learning）算法等。也應看到，現(xiàn)有的方法在處理在線學習方面尚不夠有效，尋求一種新的方法以解決移動機器人、自主 agent、智能信息存取等研究中的在線學習問題是研究人員共同關心的問題，相信不久會在這些方面取得突破。（3）自然語言處理是 AI 技術應用于實際領域的典型范例，經過 AI 研究人員的艱苦努力，這一領域已獲得了大量令人矚目的理論與應用成果。許多產品已經進入了眾多領域。智能信息檢索技術在 Internet 技術的影響下，近年來迅猛發(fā)展，已經成為 AI 的一個獨立研究分支。由于信息獲取與精化技術已成為當代計算機科學與技術研究中迫切需要研究的課題，將 AI 技術應用于這一領域的研究是人工智能走向應用的契機與突破口。從近年的人工智能發(fā)展來看，這方面的研究已取得了可喜的進展。人工智能一直處于計算機技術的前沿，其研究的理論和發(fā)現(xiàn)在很大程度上將決定計算機技術的發(fā)展方向。如今，已經有很多人工智能的研究成果進入人們的日常生活。未來，人工智能技術的發(fā)展將會給人們的生活、工作和教育等帶來更大的影響