在百分点服务于众多实体企业的过程中，百分点总结的企业“+大数据”模型不断得到验证，同时也发现BASIC模型的五大要素缺一不可，缺乏其中任何一环的企业，总是需要花费更多的成本和时间将该要素补上才能达到预期的效果。

今日，大数据公司百分点集团宣布获得由光大证券领投的4亿元人民币D轮融资，同时发布全球首款企业级大数据操作系统（BO-DS）。BD-OS是一款全流程、可视化、智能化的企业级大数据操作系统，它填补了从繁复的底层技术到便捷的大数据操作之间的空白，帮助企业管理数据资产并创造商业价值。


百分点创始人/董事长苏萌博士在会上表示，百分点成立六年来，坚持在实践中前行，如同天龙八部中的扫地僧埋头专注，宠辱不惊，沉淀了丰富和坚实的企业级大数据技术和应用实践，帮助互联网与实体企业快速、低成本地使用成熟的大数据技术和应用服务，帮助中国企业在“+大数据”时代获得大数据能力并转化为生产力。在为众多行业和企业提供大数据技术与应用的过程中，百分点总结了让大数据落地的五大要素，这构成了百分点的“+大数据”百思可（BASIC）模型。


苏萌介绍道：“第一个要素是核心信念（Belief）。数据是企业的“核心资产”，这必须成为企业最高层决策者的核心信念。未来，数据等于生产资料；数据技术等于生产力；数据+数据技术等于核心竞争力。如果企业的最高决策者没有这样的核心理念和战略，企业的“+大数据”之路必将失败。马云在三、四年前就开始提出：阿里巴巴并非是一家电商或互联网公司，本质上是一家数据公司。他的核心信念是：阿里最值钱的是数据。这几年来，他在不同的场合反复地宣扬，让数据资产这一理念在公司内外都得到传播和强化，逐渐成为企业的核心信念。


第二个要素是是架构设计（Architecture）。对数据价值的信念只有通过设计和调整相应的组织架构才能得以渗透和传递到企业的各个层级。数据驱动的管理和运营的思想应该充分体现在面向数据业务的组织架构中。这并不是说要把原有的组织架构完全推倒，需要的只是局部的精心设计和调整。政府成立大数据管理局或大数据办，企业开始设立首席数据官。很多企业的未来接班人将来自这些能够带来新思想和新架构设计的数据业务管理者。据说这是太子岗位，当然，这个备受瞩目的岗位也充满了艰难和不确定性。


第三个要素是专业团队（Staff）。搭建专业的数据团队不难做到，但问题往往发生在团队建起来后。一个常见的错误就是把数据团队孤立起来，或者与业务完全隔离，或者仅仅让他们被动地提供数据。业务决策者往往因为不懂数据的处理过程或作用而不重视与数据团队的协作，导致数据价值无法发挥。只有让数据团队直接与其他业务团队沟通，主动思考业务机会，参与和支持业务决策，才能增加整个公司的数据利用效率。


第四个要素是基础设施（Infrastructure）。为了实现 “+大数据”战略，企业需要建设从数据的采集、存储和处理到分析和应用的软硬件设施。整套基础设施对人力财力和物力投入的要求是较高的，由于技术的进化，还需要持续的投入。不论出于节约成本还是专业化管理的原因，基础设施云化，交予专业的云平台公司全部或部分代管代运营，是大趋势，只是不同企业实现云化的程度有所不同。无论是本地化还是云端，基础设施的缺失将导致“+大数据”成为空中楼阁。


第五个要素是机构能力（Capability）。对于实体企业而言，大数据能力是一种新型的综合能力。如果只有少数的高管和数据团队能够理解和运用，它还不能成为一种机构能力；只有数据核心信念从组织架构的顶层渗透和传递到了底层、且专业的数据团队嵌入式地参与和支持了各业务团队和决策流程，机构能力才有可能形成。一个企业是否具备了大数据这项机构能力，取决于它是否持续地运用大数据创造的新的商业价值。在百分点服务过的企业中，把数据能力融入到整体机构能力，并创造额外价值的成功企业典范是华为公司。数据驱动与技术驱动已进入华为的血液中，无时无刻不在通过数据发挥出巨大的商业价值。”


在百分点服务于众多实体企业的过程中，百分点总结的企业“+大数据”模型不断得到验证，同时也发现BASIC模型的五大要素缺一不可，缺乏其中任何一环的企业，总是需要花费更多的成本和时间将该要素补上才能达到预期的效果。对实体企业来说，如何高效落地执行“+大数据”这一战略，将成为他们与虚拟经济企业颠覆之战的胜负关键。百分点非常愿意把自己的大数据实践理念和方法论分享给所有对大数据有需求的企业，和企业共同推动中国大数据产业的逐渐成熟和发展。


原文发布时间为：2015-09-08
本文来自云栖社区合作伙伴至顶网，了解相关信息可以关注至顶网。


        
        
                
    

正规比赛篮筐的标准高度为3.05米，而正规篮筐篮板的高度则为3.95米。起跳超框虽然难度很大，但是并不算什么神迹，现役球员之中曾经做到的人有詹姆斯、杰夫·格林等等。
至于摸到篮板上沿嘛，那恐怕暂时只能归属于传说级别的成就了。毕竟，从来没有正式遗留下的影像证明有NBA球员做到过这一点。要完成这一项壮举，到底何其难？
顶级的摸高条件以及顶级的弹跳缺一不可。当挑战的对象是篮板上沿时，后场以及侧翼球员基本上可以直接跳过、不予考虑了。引入NBA现役球员静态摸高的天花板，最顶级的T0球员，当属摸高超过3.1米的塔克·法尔；T1级别的球员，则是静态摸高处在2.95米到2.98米左右的博班、戈贝尔、班巴等等。
这群人都是身长七尺或以上的内线大物，在臂展天赋上近乎都是历史级别的存在，要求七尺球员助跑之后跳出一米的高度实在有点过分。在这群人之中，最轻盈的人当属“法国巨塔”戈贝尔。可惜，他的助跑后最大弹跳大概只有73CM的水平，还远远够不上3.95米。
在NBA历史上，又有哪些球员可以极其接近如此成就呢？笔者将在文中盘点出TOP5之列，以供参考。当然，如有您心中的遗珠之选，自然欢迎在评论区留言补充。
五、德怀特·霍华德
在笔者脑海里关于篮球的互联网记忆之中，在误传得广泛的加内特之后，霍华德算是另外一位在篮球社区引爆过如此话题的男人。
作为中锋球员，霍华德的裸足身高只能算是B+级，225CM左右的臂展算是A级。不过，在肩高的加持之下，霍华德的站立摸高数据可以达到2.83米的A+级别，外加S+级别的破米弹跳力，足以让他在防守领域叱咤风云。
在2016年，ESPN旗下的一档运动实验主题栏目邀请到了霍华德做摸高挑战，后者录下了3.84米摸高的数据，创造了当时的吉尼斯世界纪录。尽管距离篮板上沿的差距还是比较明显，但是能做到霍华德这个水平的人在篮球历史上绝对是凤毛麟角。
四、詹姆斯·怀特
身高2.01米的怀特，在站立摸高上的数据大概为2.6米出头。作为扛起跳跳男大旗的经典人物，曾在NBA联赛短暂效力的詹姆斯·怀特，在弹跳上的天赋足以让所有篮球爱好者垂涎。
在篮球场上，詹姆斯·怀特曾经留下过一段挑战篮板上沿的视频。尽管以失败告终，但是从画面上看，如果伸直手臂、把握好起跳的最佳位置的话，詹姆斯·怀特在火力全开后的助跑摸高应该可以达到385CM左右，距离篮板上沿算是非常接近。
三、比尔·拉塞尔
在防守端上，比尔·拉塞尔算得上是统治力T0级别的上古怪物。与同时代的宿敌张伯伦一样，拉塞尔天生也是一副练田径的好材料。如果以留下的影像资料、运动镜头参考的话，拉塞尔在身高条件上比张伯伦差了些许，但是弹跳和臂展是胜出的。
据本人在退役多年后的回忆，拉塞尔称自己在扣篮的时候眼睛的高度可以高过篮筐。如果指环王没有撒谎的话，他的垂直弹跳已经有超过1.1米，最大的助跑弹跳高度可以预估至少在1.2米左右吧，挑战篮板上沿并非没有可能。
二、杰雷米·埃文斯
在NBA历史上，2012年的全明星扣篮大赛得主杰雷米·埃文斯称得上是最具代表性的那几位跳跳男球员之一。作为篮球基础薄弱、体型单薄的大前锋，埃文斯能作为边缘人在联盟混迹七个赛季，基本上全靠那夸张的弹跳以及可以在衔接阶段点燃起全场热情的扣技了。
除了有极其夸张的弹跳之外，埃文斯本身有2.06米的身高，臂展条件同样优越。在一次正式体测之中，身体完全拉伸开的杰雷米·埃文斯创造了3.89米的NBA历史最大助跑摸高记录，距离篮板上沿也就差六厘米而已。
一、威尔特·张伯伦
比起身高不会超过2.08米的拉塞尔，身高约在2.16米的张伯伦在站立摸高上有较大优势。在弹跳能力上，张伯伦同样是NBA内线球员之中的历史级别。尽管没有准确的数字，不过从大帅留下过的一些比赛截图中足以看出他的弹跳能力实在恐怖。
以上面例子图片中的招牌截图作为参考的话，大帅其实在实战中是有交出过385CM级别的摸高表现。如果前一天晚上让他早点睡、不要做水管工到半夜的话，后一天上练习场再全力投入的话，没准是大帅有可能达成摸到篮板上沿的壮举。

1闲鱼无货源开店
无货源操作闲鱼。
1、首先手机里面需要以下几个软件：闲鱼，淘宝，进货软件，闲鱼是卖场，淘宝是货物仓库，进货软件是进低价货源的工具，三者缺一不可。
2、在淘宝、拼多多里面找爆款(月销量1-10万的商品)，找你感觉是性价比比较高的产品，找到以后收藏商品。
3、长按商品名称，复制商品名称或者商品链接。
4、打开进货软件，会自动搜索，找到对应的商品。进货软件里面有个比价功能，可以在淘宝，拼多多，京东比价，找到最低价。
5、把淘宝、拼多多里面相应商品的标题，文案，图片，视频复制下来。
6、将第五步里面的内容发布在闲鱼上面。
7、当有人购买你闲鱼上的东西的时候，你进进货软件点击领券购买会自动跳转至淘宝，拼多多上，把相应的把东西买下了，收货地址填闲鱼上买家的地址，如果涉及到退货，闲鱼买家退货你就相应在淘宝、拼多多上退货就可以了，地址填淘宝、拼多多上的地址。
如果您想了解，私信我“闲鱼”我这边为您准备了一份闲鱼实战教程供您学习。
2婚礼服务公司
现在很多公司都只负责婚礼的庆典，但是招待宾客、秩序、住宿服务和接送服务等没有负责，现在不管是婚礼钱多与少，大家都希望得到周到的照顾，圆满的把婚礼办完，这一服务就显得尤为重要。可以进行必要的广告宣传，使这一事业深入人心，形成时尚或者潮流，也可以与婚姻介绍所和办理结婚登记的部门建立某些合作关系，以便得到信息，发出邀请函。
3提供蔬菜订单接受和配送
适合农村和
4奶吧
现在这一领域还比较缺，可以借鉴目前市场上流行的茶吧、陶吧、书吧等经营模式，以牛奶等乳制品为主要销售产品，设休闲风格浓厚的卡座，这一项目也顺应了居民对牛奶等乳制品大的需求。
5粗粮营养早餐
在小区、学校等人口较为密集地区租一间门面，售卖营养早餐，目前的售卖形式大多比较随意，如果能形成自己的管理模式和特色菜单，环境卫生、干净，品种齐全，口味丰富，何愁生意不好呢？
有相关问题欢迎在评论区留言讨论，如果觉得文章有益，请关注、点赞支持，谢谢！(免责声明：本文仅供

      深度学习大牛吴恩达曾经说过：做 AI 研究就像造宇宙飞船，除了充足的燃料之外，强劲的引擎也是必不可少的。假如燃料不足，则飞船就无法进入预定轨道。而引擎不够强劲，飞船甚至不能升空。类比于 AI，深度学习模型就好像引擎，海量的训练数据就好像燃料，这两者对于 AI 而言同样缺一不可。

　　随着深度学习技术在机器翻译、策略游戏和自动驾驶等领域的广泛应用和流行，阻碍该技术进一步推广的一个普遍性难题也日渐凸显：训练模型所必须的海量数据难以获取。

　　以下是一些当前比较流行的机器学习模型和其所需的数据量，可以看到，随着模型复杂度的提高，其参数个数和所需的数据量也是惊人的。

                    

在深度学习中，当数据量不够大时候，常常采用下面5中方法：

1. 人工增加训练集的大小.

通过平移, 翻转, 加噪声等方法从已有数据中创造出一批"新"的数据.也就是Data Augmentation（数据扩充）

这是解决过拟合最有效的方法，只要给足够多的数据，让模型「看见」尽可能多的「例外情况」，它就会不断修正自己，从而得到更好的结果：

       

如何获取更多数据，可以有以下几个方法：

从数据源头获取更多数据：这个是容易想到的，例如物体分类，我就再多拍几张照片好了；但是，在很多情况下，大幅增加数据本身就不容易；另外，我们不清楚获取多少数据才算够；

根据当前数据集估计数据分布参数，使用该分布产生更多数据：这个一般不用，因为估计分布参数的过程也会代入抽样误差。

数据增强（Data Augmentation）：通过一定规则扩充数据。如在物体分类问题里，物体在图像中的位置、姿态、尺度，整体图片明暗度等都不会影响分类结果。我们就可以通过图像平移、翻转、缩放、切割等手段将数据库成倍扩充；

      不同的任务背景下, 我们可以通过图像的几何变换, 使用以下一种或多种组合数据增强变换来增加输入数据的量. 这里具体的方法都来自数字图像处理的内容, 相关的知识点介绍, 网上都有, 就不一一介绍了．

旋转 | 反射变换(Rotation/reflection): 随机旋转图像一定角度; 改变图像内容的朝向;
	
翻转变换(flip): 沿着水平或者垂直方向翻转图像;
	
缩放变换(zoom): 按照一定的比例放大或者缩小图像;
	
平移变换(shift): 在图像平面上对图像以一定方式进行平移; 

	可以采用随机或人为定义的方式指定平移范围和平移步长, 沿水平或竖直方向进行平移. 改变图像内容的位置;
	
尺度变换(scale): 对图像按照指定的尺度因子, 进行放大或缩小; 或者参照SIFT特征提取思想, 利用指定的尺度因子对图像滤波构造尺度空间. 改变图像内容的大小或模糊程度;
	
对比度变换(contrast): 在图像的HSV颜色空间，改变饱和度S和V亮度分量，保持色调H不变. 对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间), 增加光照变化;
	
噪声扰动(noise): 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;
	
颜色变换(color): 在训练集像素值的RGB颜色空间进行PCA, 得到RGB空间的3个主方向向量,3个特征值, p1, p2, p3, λ1, λ2, λ3. 对每幅图像的每个像素Ixy=[IRxy,IGxy,IBxy]T进行加上如下的变化:
                                        [p1,p2,p3][α1λ1,α2λ2,α3λ3]T

      其中:αi是满足均值为0,方差为0.1的随机变量.

参考资料：

深度学习中的Data Augmantation方法（转）基于keras ：https://www.cnblogs.com/love6tao/p/5841648.html

2. Regularization（规范化、正则化）. 

通过在Loss Function 后面加上正则项（规范化项）可以抑制过拟合的产生.。规范化有时候被称为权重衰减（weight decay）或者L2规范化。以 L2 regularization为例，L2 规范化的想法是增加一个额外的项到代价函数上，这个项叫做规范化项：

                                                                         

      其中第一个项就是常规的代价函数的表达式。第二个项就是所有权重的平方的和。然后使用一个因子 λ/2n 进行量化调整，其中 λ > 0 可以称为规范化参数，其中 n 就是训练集合的大小。需要注意的是，规范化项里面并不包含偏置。

      规范化可以当做一种寻找小的权重和最小化原始的代价函数之间的折中。这两部分之前相对的重要性就由 λ 的值来控制了：λ 越小，就偏向于最小化原始代价函数，反之，倾向于小的权重

      训练过程需要降低整体的 Cost，这时候，一方面能降低实际输出与样本之间的误差  ，也能降低权值大小。缺点是引入了一个需要手动调整的hyper-parameter（超参数）.

详见 https://www.wikiwand.com/en/Regularization_(mathematics)

3. Dropout（退出）. 

           

这也是一种正则化手段. 不过跟以上不同的是它通过随机将部分神经元的输出置零来实现。在训练时，每次随机（如50%概率）忽略隐层的某些节点；这样，我们相当于随机从2^H个模型中采样选择模型；同时，由于每个网络只见过一个训练数据（每次都是随机的新网络），所以类似 bagging 的做法，这就是我为什么将它分类到「结合多种模型」中；

此外，而不同模型之间权值共享（共同使用这 H 个神经元的连接权值），相当于一种权值正则方法，实际效果比 L2 regularization 更好。

详见 http://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf

关于Dropout的原理介绍（好）：https://blog.csdn.net/program_developer/article/details/80737724

原理解释的一般：http s://blog.csdn.net/stdcoutzyx/article/details/49022443

Dropout 层应该加在什么地方：Dropout 层一般加在全连接层 防止过拟合 提升模型泛化能力。而很少见到卷积层后接Drop out （原因主要是 卷积参数少，不易过拟合）

https://blog.csdn.net/qq_27292549/article/details/81092653

4. Unsupervised Pre-training. 

用Auto-Encoder或者RBM的卷积形式一层一层地做无监督预训练, 最后加上分类层做有监督的Fine-Tuning.

参考 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.207.1102&rep=rep1&type=pdf

5.模型剪枝（Network Pruning）

      全连接有很强的逼近能力但是很容易导致过拟合。所以 机器学习与模式识别最核心的问题就是减小系统的复杂度（description -length【1】,VC-dimensions【2】），在神经网络中，这样的核心问题就变成了减少连接权值的数量。减小模型复杂度方面，很常见的方法是在损失函数后面加上惩罚项

论文中文翻译：https://blog.csdn.net/u013044310/article/details/80187998

理论介绍+代码：https://blog.csdn.net/jacke121/article/details/79450321

6、迁移学习

数据不够时的解决办法（一）——迁移学习

7、Early stopping：

      对模型进行训练的过程即是对模型的参数进行学习更新的过程，这个参数学习的过程往往会用到一些迭代方法，如梯度下降（Gradient descent）学习算法。Early stopping便是一种迭代次数截断的方法来防止过拟合的方法，即在模型对训练数据集迭代收敛之前停止迭代来防止过拟合。

      Early stopping方法的具体做法是，在每一个Epoch结束时（一个Epoch集为对所有的训练数据的一轮遍历）计算validation data的accuracy，当accuracy不再提高时，就停止训练。这种做法很符合直观感受，因为accurary都不再提高了，在继续训练也是无益的，只会提高训练的时间。那么该做法的一个重点便是怎样才认为validation accurary不再提高了呢？并不是说validation accuracy一降下来便认为不再提高了，因为可能经过这个Epoch后，accuracy降低了，但是随后的Epoch又让accuracy又上去了，所以不能根据一两次的连续降低就判断不再提高。一般的做法是，在训练的过程中，记录到目前为止最好的validation accuracy，当连续10次Epoch（或者更多次）没达到最佳accuracy时，则可以认为accuracy不再提高了。此时便可以停止迭代了（Early Stopping）。这种策略也称为“No-improvement-in-n”，n即Epoch的次数，可以根据实际情况取，如10、20、30……


原文：https://blog.csdn.net/chen645096127/article/details/78990928