第296章 科學技術進步獎提名(1) (第2/2页)
暗中这种方法进行数据挖掘。 首先要应用到与多个在线服务终端有通信连接的云端服务中心。 在利用这种方法进行数据挖掘的时候还要获取针对在线云计算项目的大数据决策信息当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息。 在具体进行数据挖掘的时候,还要提前配置人工智能模型。 至于为什么要配置人工智能模型? 因为只有配置了人工只能模型,根据预先配置的人工智能模型才能实现对所述挖掘评价指标信息进行指标分类。 如此才能更容易的获得指标分类结果。 搞到指标分类结果还不算完。 在此基础上还要进一步将指标分类结果搞成多个指标分类集。 再从指标分类所分成的多个指标分类集分别提取对应的指标分类挖掘特征。 如此才能实现高效而精准的挖掘。 未来如果想要实现高效的大数据作业效率。 在数据挖掘的过程中指标分类挖掘特征除了用于来提供一定的量化数据之外。 还要用于表示所述指标分类集所对应的聚类主题簇所对应的聚类主题特征。 而这又需要根据提取的指标分类挖掘特征确定各个指标分类集之间的挖掘服务模式。 并在此基础之上根据确定出各个指标分类集之间的挖掘服务模式。 这还不算,再之后还要构建对应的挖掘服务拓扑图谱。 根据构建的所述挖掘服务拓扑图谱。 如此才能分别确定各个指标分类集所对应的大数据挖掘流程。 确定各个指标分类集所对应的大数据挖掘流程之后。 根据各个指标分类集所对应的大数据挖掘流程以及所述多个指标分类集之间的具有主题类别标识的主题实体关系。 方可以执行所述指标分类结果中各个指标分类集对应的大数据挖掘进程。 林灰上面的步骤已经是相当之概略了。 实际上根据确定出各个指标分类集之间的挖掘服务模式构建对应的挖掘服务拓扑图谱的步骤时远不止于几句话所描述的得这么简单。 实际上在涉及: 如何确定出各个指标分类集之间的挖掘服务模式? 如何将同一类挖掘服务模式所覆盖的各个目标指标分类集划分为一个挖掘服务分布图谱? 如何根据每一个挖掘服务分布图谱内的分布热力图将分布热力图匹配预设热力特征的挖掘服务分布图谱的分布范围缩小并将分布热力图小于预设数量阈值的挖掘服务分布图谱的分布范围扩大得到调整后的各挖掘服务分布图谱? 这些问题都不是那么容易能一蹴而就的。 很多事情就是这样,尽管林灰很多事情主见都蛮正的,想得也都很清晰。 但实际上执行起来就是特么的很麻烦。 钱难挣,屎难吃。 想要按部就班的执行确实要废很多的周折。 所以说现在考虑以后还继续不继续这样枯燥的搬运没啥意义。 so,“搬运”虽然听起来很low,搬运玩明白了似乎也很牛逼啊。 反正林灰是觉得能将前世林灰所知晓的信息搬运的差不多的话。 届时林灰本身的能力应该也可以碾压大概99%现下时空的“土著”人了。猪熊的穿越:2014
请记住本站永久域名
地址1→wodesimi.com
地址2→simishuwu.com
地址3→simishuwu.github.io
邮箱地址→simishuwu.com@gmail.com