大数据智能读后感10篇
《大数据智能》是一本由刘知远 / 崔安颀著作，电子工业出版社出版的平装图书，本书定价：49.00元，页数：232，文章吧小编精心整理的一些读者的读后感，希望对大家能有帮助。
《大数据智能》读后感(一)：大数据——人工智能的必经之路
读完刘知远老师的《大数据智能》，回味之时突然记起曾经看过的一个科幻英剧，讲的是女主人公因为男友去世伤心欲绝，无意间她通过朋友介绍发现一个“复活”男友的办法，这是一家公司，提供人工智能机器人服务，可以完美复制一个人。一开始她是拒绝的，但当她知道已经怀了过世男友的孩子，她决定尝试一下，当“男友”被快递来家里，她启动机器人后，惊奇地发现机器人的言行举止和男友一模一样。
剧里有讲述该公司提供服务的大致原理，女主人公男友是一个社交媒体迷，他几乎无时无刻不在社交网络上发表状态、评论等等，这个公司采集了她男友生前所有社交网络信息，根据这些信息制造了这么一个人工智能机器人。其实读过《大数据智能》第四章——智能问答后，就不难理解这个智能男友是怎么实现的，刨去如何制造一个类人模型的生物科技不谈，剧里人工智能男友的大脑简单的说其实就是一个智能问答系统，这个系统被同一个人的社交网络大数据信息训练后，使得它的一举一动跟这个人非常相似，近乎完美。我们知道，问答系统的主要组成是问题理解、知识检索和答案生成，以前我也只是想当然觉得可以有这么一个问答系统，拜读完本书以后，才发现一个问答系统的建立是有非常严谨的理论基础的，实现起来也有很多有意思的技术细节。比如书中提到——基于检索得到的文档虽然都与查询（关键词）相关，但传统信息检索任务的相关性计算方法并不一定适用于问答任务。这是因为问答任务的检索式通常已经经过筛选，因此检索出的文档应当尽量满足所有查询词的查询条件。同时，由于问答系统存在后处理步骤（即选取合适的文档和合适的答案），检索步骤得到的文档并不一定要准，而要尽可能全。当然，剧里的人工智能男友我理解是一个高级的社区问答系统，提供服务的公司根据某人的社交网络信息，生成了一个个性化社区，里面所有的“问题-答案对”都是根据这人在社交网络的大数据信息生成的，人工智能在收到提问后，找到合适的问题，再从这些问题的答案中挑出最合适的答案，反馈出来，就好像复活了一个真人一样，一举一动都和此人前一模一样。
当然，剧最后也提到了此项黑科技的缺陷，一开始女主人公欣喜若狂，发现得到了一个和男友一模一样的机器人，甚至沉浸于其中，但久而久之，她慢慢发现“男友”只会机械地回答问题，不管自己喜悦、伤心、愤怒，“男友”给出的反馈每次几乎都一样，没有任何情感，更没有什么创造力，她渐渐发现这个机器并不是她的爱人。我想这也是人工智能最难也是最具有争议的地方。我们发明一个智能问答系统，是为了给出最准确的答案来提高解决问题的效率，还是创造出一个能体会陪伴、懂得安抚的机器人。现在市面上可见很多幼教机器人，声称可以陪伴孩子，能和孩子交流，给孩子讲故事，跟孩子一起唱歌。但我想，现在的人工智能技术还远没达到让一个机器能给人以陪伴的感觉，所以厂商也只是从情感简单的孩子做起，希望能达到一定效果。剧的最后也有所体现，女主人公将机器人锁到阁楼上不想再与它进行任何交流，但她和去世男友所生的孩子特别喜欢跑到阁楼与这个“男人”进行交谈，女主人公看到这一幕，默默流下了泪水。
那么将来的智能问答系统，是否在问题理解的时候能根据采集的多媒体信息，解析出提问者的语境和情感；知识检索时，能根据提问者的情况，采用更个性化的范围进行检索；答案生成时，也能根据不同环境和交流历史，模拟出不同的情感，甚至模拟出在这个人智商和历史教育的背景下，知识进步的速度，举一反三的能力，更甚能创造出一些前所未有的个性化答案。当然这一切还要基于历史的大数据，书中最后也讲到了一些情感分析与意见挖掘，而我们可以通过调整参数，来让一个机器人通过和人交流，取得一个人的信任，激怒一个人，安抚一个伤心的人，或者使一个人感受到绝望，而不再是简单的根据问题给出一个正确的答案。比如我们想让机器取得一个人的信任和好感，那么此时机器可能通过这个人在购物网站、剧网站、美食网站等社交媒体上的评论，来获取这个人对事物的喜好，通过这个人在微博、微信与朋友的交流上，来获取这个人的人际关系，然后综合这些因素，交流时更偏向褒奖这人喜欢的，贬斥这人不喜欢的，那么就很容易使人感到愉悦，交流起来也更加轻松，那么反之，机器也能轻松激怒一个人，甚至使人失去理智。其实人平时就是这么做的，但机器还不能如此运用自如，不过机器有大数据优势，在互联网信息爆炸的时代，人不能获取和记录的信息，机器能轻松做到，个性化推荐就已经有了雏形的应用，没准将来，这种“投其所好”机器能比人做得更好。
人工智能的终极形态是一个人在与人工智能交流时分不清是在和机器还是在和人交流，就像AlphaGo在和人类对决时，我们已经无法理清机器的思路，无法预测机器下一步会怎么走。在计算机发明之初，机器已经完成了对人脑计算能力的超越，在大数据处理面前，机器又要完成对人脑的超越，当我们能基于大数据创造出智能时，机器是否能够真正从灵魂上也领先人类呢。
：推荐此书的同时也推荐下这个英剧《黑镜》，本文提到的那集是《黑镜》第二季第一季
《大数据智能》读后感(二)：大数据智能之门
写东西真是一个眼高手低的活，读完术后偶一直想写写书评，但是每次提笔都觉得写不好。就从彩蛋谈起吧。本书让我最有体会的是怎么去了解某个领域的最新研究进展，这是搞学术研究的必备技能，强烈推荐读读。而且本书还对大数据领域的各种会议期刊给了详细的介绍。彩蛋啊，强烈推荐，确实是授人以鱼！
本书能够让有一定专业水平的人，譬如计算机，电子等相关专业的从业者，比较快速的了解大数据智能相关的概念和当前的发展趋势。从题目看到本书是从大数据的维度去讨论智能。像本书所讲智能本身就是一个哲学概念，而人工智能的定义从图灵开始：其在一篇1950年发表的著名论文“计算机器与智能”(Computing Machinery and Intelligence）中详细讨论了“机器能否拥有智能？”的问题。而图灵其实很好的定义了机器。对智能的定义却没有非常好的定义清楚，我大概可以理解为机器去模拟人类思考的方式。本书是从大数据入手讨论智能，也是智能的另外一个讨论范畴。而本书从：深度学习，知识图谱，大数据系统，智能问答，推荐系统，情感分析，社会媒体大数据分析等，把大数据智能切分化。如果从入门的角度看，每个章节都从一方面去讨论了智能的存在，甚至还讨论了某些系统怎么去用开源或闭源软件的实现方法。这无疑对入门的同学有很好的指引作用。深入的了解是要靠书提出的方法论来看了，跟踪业界进展，深入学习基础知识才行了。所以期待各个领域的大拿，能够深入本领域，出一本或者写一写能够给普通群众入门的书籍。再加一些更加深入专业内容的书籍。毕竟普通人才是大多数。具有电子，计算机相关专业的人毕竟还是少数。
《大数据智能》读后感(三)：不仅仅是值得一读，还值得读第二遍
以一本科普读物来说，这本书的难度确实是有些大。我在读这本书的过程中遇到了不小的麻烦，有些不懂的地方还要去百度，读的越多，越觉得难啃。后来回过头看到前言里面这样的一句话：“这本书希望从人工智能这个新的角度，总结大数据智能取得的成果，它的局限性以及未来可能的发展前景。”然后我觉得我可以跳过看不懂的地方了，真感兴趣可以回来再读。
之后我以比较快的速度读完了这本书，跳过了大部分都是专业性比较强，读起来比较费力的段落。这样我对这本书整体有了一个概念，而且能联系到生活中接触得到的事物，正是这些在生活中能联系到的事物，让我有兴趣去读跳过的相关段落。
比如在第五章讲智能摘要这一段，就能联系到我经历的一些事情。大概是几年前自己用新浪微博比较多的时候，玩过一个获取主题词的应用，结果令我非常不满意。因为结果出现了“利物浦”，没有“曼联”，而我是曼联的球迷，利物浦是被我们嘲讽多年的死对头。后来自己想了想是不是微博上嘲讽他们过多了，大概明白了这是怎么一回事，心里却还是别扭。读这本书到第五章的时候我又想到了这件事情，就认真的看了一下，虽然还是没读懂大部分的内容，不过还是对原因有了一些了解。有可能是那个应用对同义词和多义词的处理并不好，像球迷对自家球队多少有些爱称和打趣的说法，又是比较小众的说法，很可能这几个词说的都是一个队，被当做相互无关的向量处理掉了，所以我的结果中并没有出现“曼联”。
另外一个例子是第二章讲知识图谱那一段，特别是实体链指这一段，结合自己使用搜索引擎的经历，也是有了一些想法。在日常生活中搜外国人的音译名字时，经常会出现很多同名不同人物的结果混杂在一起，使用起来很不方便，当时想得是可不可以分类显示结果，比如搜索“阿特金森”，会分类出“罗温阿特金森”、“阿特金森循环”、“裁判阿特金森”等等分类结果。后来看到了第六章的个性化推荐又想到了，可不可以把推荐和搜索相结合，比如搜索影视剧相关多的用户，直接给出“罗温阿特金森”的结果。这也是让我去仔细读第二章和第六章的动力。
直到翻完了整本书，才发现了后记里面有授人以渔的环节。我觉得这里更多的是作者的一种期望，希望有更多的人来参与到相关的工作、研究中。
总的来说这本书还是更偏学术一些，抱着了解相关领域这样心态去读的话会稍微有些吃力。所以读第二遍还是很有必要的，虽然读第二遍也未必会真正明白，但对自己感兴趣的事物，多贡献一些精力不是很正常嘛。
《大数据智能》读后感(四)：大数据入门必读之作，推荐互联网人士阅读
我从事了近10年的数据处理工作，这本书将下一代互联网的基础介绍了一遍，学习以后，收益良多。
本人最近工作需要，需要搭建知识图谱平台，那么知识图谱是什么呢？书里讲得很简单明了，“为用户提供更具调理的信息，甚至顺着知识图谱可以探索更深入、广泛和完整的知识体系，让用户发现他们意想不到的知识”[p25]。从书中可以看出，知识图谱的范畴包括：
1.大规模知识库，如维基百科这类网站，他们以词条为单位，对应现实世界某个概念，利用众包的方式来完成编辑。
2.互联网链接数据，连接的数据是关于使用网络连接以前没有联系之相关的数据，或使用网络降低数据的障碍。维基百科定义为“指为使用URI和RDF语义网连接数据、信息和知识的分享链接的数据,将其曝光，推荐的最佳实践”。
3.网页文本数据。
4.多数据源的融合，谷歌的Knowlegde Vault对源的描述包括了文本、DOM Tree、HTML表格、RDF予以数据，其目标是在正确的时间传递给人以正确的信息，是在一个用户友好的，社会的方式共享，教学和学习。它是建立一个安全的，完全集成基础上的和私人知识分布的平台。
第二点，之前我写过“基于微信公众文章的股票推荐系统”一文，假设当时我读过该书，那么我肯定会详细参考“个性化推荐”这一章节[P131]。这里讲的是 WEB2.0时代，大量的用户数据信息如收索引擎中的搜索历史记录、购物网站中的购买记录和评论、社交网站中的图片文本，我们可以从兴趣、洗好、消费者特质等方面了解真实用户，投其所好为不同该用户定制符合需求的个性化服务。推荐系统包括三大核心问题：
1.推荐系统输入，以二维坐标轴或者说是矩阵的方式显示其某一用户群体对应的物品的评价，其中为了描述用户画像与物品属性间的相似度，考虑该用户浏览或者评分的所有物品，将这些物品的所有属性进行加权平均计算，得到综合属性，作为用户画像。而推荐算法中的评价计算，通常使用评分矩阵，但基于用户评论和用户隐式反馈数据的方法也是研究的热点。
2.推荐系统的输出，一般会给用户推荐一个列表，并附加上推荐理由，描述系统为什么推荐该物品是合理的。
3.推荐系统常用算法，以基于协同过滤的推荐算法为例，
a.算法假设与目标用户最相似的前K个用户的历史购买或者浏览行为作为目标用户的推荐，并统计这些物品的出现频率，完成输出。
.算法假设目标用户可能会喜欢与之前曾经喜欢过的物品类似的物品，根据网络用户对物品属性的评价，计算用户购买或浏览物品与待评价物品属性相似度进行评价并加权平均，从而作为预测目标物品的预测打分，并以打分的高低作为推荐列表的顺序。
c.不同的算法，需要考虑可解释性，如非社交网站，如购物网站，则以物品的方法更易接受，因为用户可能更易接受已购买或浏览的物品而不是接受“相同购物喜好”的用户。而在社交网络中，基于用户的方法由于用户的关注行为与地域、学校、工作等限制，要更优一些。
第三点，我即将要研究的社交媒体中存在大量的文本内容，如何利用用户产生内容对个体差异进行评估，也是我比较感兴趣的。具体描述如下：
1.时空传播与演化，个体差异。假设，人们的个体差异反应在他们语言使用的特点上。那么定量分析人们的社交媒体上的文本内容，将词汇通过人工收集、标注的方式建立类别词典，然后在给定的个体、群体对应的文本中进行词频统计，则可以建立个体差异（人格）与词类比例（语言特点）间的联系。目前形成70余种外文版分类词典，中文版分类词典也已建立。
2.社会地位。假设，社会中低位差异反应在他们语言使用的特点上。地位低的人会从语言风格上适应地位高的人，而相反却不会。
3.群体分析。
从文本内容的客观部分，分析用户群体关注的话题及趋势，最近流行隐含主题模型技术，同时使用隐含主题和词汇一起战士社交媒体的话题及演化趋势。
而作为文本内容的主观部分，用户也会在社会媒体中表达情绪、倾向和观点等主观情感，如何对用户情绪和情感进行分析，是最近学术界研究的热点。
最后，非常感谢此书对我搜索引擎项目的帮助，正是通过它，让我了解了“自然语言处理”、“机器学习”等这些在大数据时代应该懂的基础知识。
[1]刘知远, 崔安颀. 大数据智能[J]. 信息安全与通信保密, 2016(2).
《大数据智能》读后感(五)：《大数据智能》试读，读的我灵感四射 哈哈
因为基础不行，第一章就反复读了好几遍，理解之后，对深度学习、人工神经网络等概念有了更清晰的认识。深度学习的一些浅层次的应用已经在我们生活中普及，比如垃圾邮件的分类、语言识别、机器翻译等都是其用武之地。而深度学习未来的发展方向应该如作者提及的，用机器设计机器，在一个高维度的欧氏空间中，找到一点，对应于一种机器，能够完成某种指定的任务，然后未来就是机器人的天下了，哈哈。后半段讲梯度下降法来介绍参数学习，脑子又跟不上了。
后面两章也是介绍大数据智能的基础知识，比较吸引我的是第三章 大数据背后的支撑系统，这一定是大数据进一步发展的基石，从早期的超级计算机到现在的基于分布式计算，以及虚拟化和云计算技术书中都有一些概况。如果是从事大数据处理系统建设的业内人士值得一看。
后面几章讲都是大数据智能偏应用层面，挺有意思。siri怎么炼成的？淘宝爱奇艺如何知道你的购物观影习惯的？计算机怎么算出你的小情绪，这些问题都能在书中找到答案。从事互联网工作的产品经理可以尝试已读，帮你了解如何利用大数据智能改变你的产品。
如果是想更深的了解一些理论的研究过程，比如主题模型LDA，个性化推荐系统的一些算法详解、情感分析在各领域的不同应用研究等等，都可以参看章节后面的参考文献，里面有相应的原始论文，适合深入研究的学究了。
书还没看完，看过的地方也有些没看懂，但是看懂了的部分让我有坚持看下去的冲动，推荐。
补充一点，里面一些量化模型的产生思路觉得得mark一下，没准论文用得上，比如通过人脑的神经细胞抽象量化出来的人工神经网络模型，还有第七章通过构建情感字典、属性-观点对 这些情感资源，对文本进行情感分析，计算情感得分，从而完成对文本表达情感的量化工作。
《大数据智能》读后感(六)：值得一读的人工智能好书
《大数据智能》一书没有从传统的角度介绍大数据，而是从人工智能的角度去介绍了大数据智能取得的成果，它的局限性以及未来可能的发展前景。该书介绍的深度学习、知识图谱以及计算处理系统等都是大数据智能的基础知识。在介绍大数据智能应用方面，选择文本大数据作为主要场景进行介绍，所有内容均是机器学习、人工智能及自然语言处理领域的最新研究成果，是非常好的一本大数据技术的入门科普书籍。在本书的后记部分，介绍了如何了解追踪大数据智能领域的最新学术资料，对初学者来讲，是非常有帮助的。该书在介绍各类最新的方法和应用时配以了详实的数据及图表，能更好的帮助阅读者去理解。前段时间非常轰动的AlphaGo和李世石人机大战，就是大数据智能在现实生活中应用的最好例子。AlphaGo利用几万盘的围棋图谱进行深度学习，在经过优化的计算架构支持下，产生了高级智能（会下围棋）并最终战胜了李世石。
《大数据智能》读后感(七)：一本定位准确、清晰易读的好书，推荐有基础、感兴趣的书友阅读
大数据与人工智能都是近年来非常热门的研究课题，两者看似分属不同的科学领域，但实际上随着计算机数据分析能力的提高和互联网的发展，大数据与人工智能之间的联系越来越密切。《大数据智能》一书正是从这个角度切入，从人脑对世界认识的本质着手，介绍了机器是如何利用已有的数据资料，通过分析与学习，逐渐进入智能领域的。
读完《大数据智能》这本书，我想这样来描述它在知识层级上的定位：《大数据智能》是为相关领域有基础、有兴趣的初学者提供的入门工具与学习指导。《大数据智能》不是一本科普读物，如果你仅仅是对大数据和人工智能等概念感兴趣，想做个扫盲式的了解，那么这本书并不适合你，因为里面涉及到了太多的理论、算法与具体的数学模型；同时它也不是一本学术著作，因为在有限的篇幅里并不能对每一个论题展开深入的研究与探讨，如果你是相关方面的专家学者，试图寻找领域内的最新成果和问题解答，这本书也不适合你。但如果你是一名具备相应IT基础知识，又试图在大数据、人工智能、自然语言处理等方面做些工作的读者，那么这本书就太适合你了。因为它不仅深入浅出地阐述了相关技术的理论知识与发展进程，还给出了丰富的数学建模方法与学术参考资料，便于读者进一步研究与提高。
《大数据智能》的内容大面上分成两部分，前三章是基础知识介绍，以深度学习、知识图谱和大数据处理为题，分别介绍了大数据智能的计算框架、知识库以及在背后进行支撑的计算处理系统。从第四章到第八章着重介绍大数据智能的主流应用场景，涵盖了智能问答、主题模型、个性化推荐、情感分析与意见挖掘以及面向社会媒体的自然语言分析应用。全书结构清晰易读、语言简洁流畅，没有晦涩难懂的学术论证，但也并不缺乏在理论尤其是数学层面的分析与推演。读完《大数据智能》我有一个很深刻的印象，就是书中尽可能全面地介绍了相关领域的研究成果与当前进展，并给出了大量的参考书籍，这可以说是“大数据”的完美体现；同时在《后记》篇中作者又单独着墨，告诉读者如何了解追踪大数据智能领域的最新学术资料，我想这也是对我们所拥有的“智能”在自然语言学习方面做出的指导吧。
在阅读期间，适逢“AlphaGo”与李世石的人机大战，结果世人皆知，人工智能轻松拿下了围棋这个以往人类认为机器不可能染指的领域，让许多人惊叹不已、大跌眼镜。结合数年前“深蓝”战胜国际象棋大师卡斯帕罗夫，以及《大数据智能》书中所讲的“Watson”系统赢得美国《危险边缘》智力竞赛的冠军等现象，我不禁也在想：人工智能究竟会以什么样的速度，发展到哪一步？具备自然语言学习能力的人工智能，在接触到互联网上近乎全部人类知识积累的情况下，是否能够利用其人类所无法比拟的分析与处理能力，自我迭代、进化出远超自然人的智能呢？人工智能在未来是否存在失控的危险，我们又应该怎样趋利避害，使人工智能永远为人类造福呢？这或许是在科学飞速发展的同时，人类应该思考的哲学问题吧。
《大数据智能》读后感(八)：一本用通俗易懂的语言介绍大数据智能应用的好书
《大数据智能》的确是一本难得的好书，特别是对像我这样对大数据技术有所了解、想要将大数据技术应用于本职工作的读者具有重要的指导作用。书中从大数据智能基础和应用两方面展开介绍，以深度学习、知识图谱为例介绍了大数据智能的计算框架、知识库。在大数据智能的应用部分，以文本大数据作为主要场景进行介绍，主要涉及到了智能问答、主题模型、个性化推荐系统、情感分析与意见挖掘等方面。
在阅读完《大数据智能》这本书后，我收获很多，首先书中用通俗易懂的语言让我在大数据智能应用方面开阔了视野，并且有了新的理解和认识，其次了解了大数据智能的发展现状及未来研究发展方向。通过阅读本书，我深深的被大数据智能这门学科吸引，在今后我会更加关注大数据智能的技术及发展。
《大数据智能》读后感(九)：大数据智能时代的瞭望塔
随着互联网、云计算、移动通讯技术的发展，我们已经进入一个崭新的大数据时代
。大数据的处理技术，对人工智能的发展，起到了很大的推动作用，与人工智能密切相
关的机器学习，自然语言处理等领域，近年来都在大数据的推动下，飞速发展。如何真
正实现大数据智能，或者说，两者如何如何密切结合，相互推动，本书为读者展示了这
个领域的很多基础知识和前沿应用发展情况。
首先作为基础部分，本书介绍了深度学习和知识图谱的概念。深度学习（Deep
Learning)作为机器学习范式，已经获得了广泛的应用。以神经网络模型作为函数，通
过调整参数，来拟合不同的函数。这就是learning部分。通过多个此类带参数函数进行
嵌套，来实现多层的模型，这就是所谓的deep部分。如何找到更优的自动调整函数参数
的算法，便成了深度学习领域的一个推动方向。深度学习在当前已成一个发展迅猛的热
点领域，尽管在这个领域还没有形成严格的理论体系。
知识图谱作为下一代搜索引擎、自动问答等智能应用的基础设施，似乎与我们的生
活更加密切。知识图谱（knowledge Graph）在书中并称为机器大脑中的知识库，它赋
予字符串实体的意义，而非单纯的字串。首先，知识图谱的数据来源需要大量的大规模
的知识库，包括海量互联网数据。通过多数据源的知识融合来构建知识图谱。知识的表
示，知识的获取，知识融合以及知识应用构成了知识图谱领域的几个重点研究方向。
作为大数据智能的应用部分，本书重点阐述了智能问答，主题模型，个性化推荐等
领域的知识背景和应用场景。我个人认为个性化推荐这个模块在当前的很多互联网应用
上已经广泛深入。特别是在电子商务，在线视频，社交等应用上，几乎都离不开个性化
推荐。个性化推荐的核心问题是预测（Prediction），推荐（Recommendation），解释
（Explanation）。目前绝大多数推荐算法还集中在“预测”环节，比如基于内容的过
滤算法，基于协同过滤的推荐算法等。
《大数据智能》作为大数据领域的一个科普书籍，给我们展现了大数据智能分析技术
的方方面面，更难能可贵的是，在本书的各个章节，都提供了详细的参考文献，为有志
于对此进行深入研究的读者们提供了宝贵的进阶资料。