大数据分析基础在线视频

各位同学
སློབ་གྲོགས་རྣམ་པ།

今天由我来给大家介绍一下
དེ་རིང་ངས་ཚང་མར་གཞི་གྲངས་ཆེན་པོའི་

大数据的分析基础
རྨང་གཞིའི་དབྱེ་ཞིབ་ངོ་སྤྲོད་བྱ།

要挖掘大数据的大价值
གཞི་གྲངས་ཆེན་པོའི་རིན་ཐང་ཆེན་པོ་སྔོག་འདོན་བྱ་བསམ་ན།

必须对大数据进行内容上的分析与计算
ངེས་པར་དུ་གཞི་གྲངས་ཆེན་པོའི་ནང་དོན་ལ་དབྱེ་ཞིབ་དང་རྩིས་རྒྱག་བྱ་དགོས།

因此我们需要了解大数据分析的关键技术
དེའི་ཕྱིར་ང་ཚོས་གཞི་གྲངས་ཆེན་པོའི་དབྱེ་ཞིབ་གྱི་ལག་རྩལ་གཙོ་བོ་དག་ཤེས་དགོས།

目前大数据分析的关键技术
མིག་སྔར་གཞི་གྲངས་ཆེན་པོ་དབྱེ་ཞིབ་གྱི་ལག་རྩལ་གཙོ་བོ་ལ་

主要有这四类
རིགས་འདི་བཞི་ཡོད།

一是深度学习
གཅིག་ནི་གཏིང་ཟབ་སློབ་སྤྱོང་ཡིན།

大数据的出现提供了使用复杂
གཞི་གྲངས་ཆེན་པོས་རྙོག་འཛིང་བཀོལ་སྤྱོད་མཁོ་འདོན་བྱེད་པ་མ་གཏོགས་

而不是简单或者是浅层的模型
སྟབས་བདེ་འམ་ཡང་ན་འོག་རིམ་གྱི་དཔེ་དབྱིབས་བཀོལ་སྤྱོད་བྱེད་ནས་

来有效的表征和解释数据的机会
གཞི་གྲངས་མཚོན་པ་དང་འགྲེལ་བཤད་བྱེད་པ་མིན།

而深度学习就是利用层次化的架构
དེ་ཡང་གཏིང་ཟབ་སློབ་སྦྱོང་གྱིས་རིམ་པ་ཅན་གྱི་སྒྲོམ་གཞི་བེད་སྤྱད་ནས་

学习出对象在不同层次上的表达
སློབ་སྦྱོང་བྱ་ཡུལ་ནི་རིམ་པ་མི་འདྲ་བའི་སྒོ་ནས་མཚོན་པ་དེ་ཡིན།

例如可以降低语音识别错误率
དཔེར་ན་སྐད་གདངས་ངོས་འཛིན་གྱི་ནོར་ཚད་དམའ་རུ་བཏང་ཐུབ།

第二是知识计算
གཉིས་པ་ནི་ཤེས་བྱ་རྩིས་རྒྱག་ཡིན།

要对大数据进行高端分析
མཐོ་རིམ་གྱི་གཞི་གྲངས་ཆེན་པོ་ལ་དབྱེ་ཞིབ་བྱ་བསམ་ན།

就需要从大数据中抽取出有价值的知识
གཞི་གྲངས་ཆེན་པོའི་ནང་ནས་རིན་ཐང་ལྡན་པའི་ཤེས་བྱ་ལེན་དགོས།

并将其构建成可支持查询
དེའི་མི་ཚད་དེ་དག་འདྲི་རྩད་དང་

分析和计算的知识库
དབྱེ་ཞིབ། རྩིས་རྒྱག་ལ་རྒྱབ་སྐྱོར་བྱ་བའི་ཤེས་བྱའི་མཛོད་ཅིག་འཛུགས་དགོས།

涉及知识库的构建
ཤེས་བྱའི་མཛོད་འཛུགས་རྒྱུ་དང་

多源知识的融合
འབྱུང་ཁུངས་མང་བའི་ཤེས་བྱ་མཉམ་འདྲེས།

和知识库的更新等技术
ཤེས་བྱའི་མཛོད་གསར་སྒྱུར་སོགས་ཀྱི་ལག་རྩལ་དང་འབྲེལ་ཡོད།

第三个技术就是社会计算
ལག་རྩལ་གསུམ་པ་ནི་སྤྱི་ཚོགས་ཀྱི་རྩིས་རྒྱག་ཡིན།

社会计算是现代计算技术
སྤྱི་ཚོགས་རྩིས་རྒྱག་དེ་ཡང་དེང་རབས་རྩིས་རྒྱག་ལག་རྩལ་དང་

与社会科学之间的交叉学科
སྤྱི་ཚོགས་ཚན་རིག་བར་གྱི་རིག་མཚན་ཡིན།

它是指面向社会活动社会过程
དེ་ནི་སྤྱི་ཚོགས་ལ་ཁ་གཏད་པའི་སྤྱི་ཚོགས་ཀྱི་བྱ་འགུལ་དང་བརྒྱུད་རིམ།

社会结构社会组织和社会功能的
གྲུབ་ཚུལ། རྩ་འཛུགས། ནུས་པ་བཅས་ཀྱི་

计算理论和方法
རྩིས་རྒྱག་གཞུང་ལུགས་དང་ཐབས་ཤེས་ཡིན།

在线社会计算包括
དྲ་ངོས་སྤྱི་ཚོགས་རྩིས་རྒྱག་ནང་དུ་

在线社会网络的结构分析
དྲ་ངོས་སྤྱི་ཚོགས་དྲ་བའི་གྲུབ་ཚུལ་དབྱེ་ཞིབ་དང་

信息传播模型以及信息内容的分析
ཆ་འཕྲིན་ཁྱབ་སྤེལ་དཔེ་དབྱིབས། ཆ་འཕྲིན་ནང་དོན་གྱི་དབྱེ་ཞིབ།

建模与挖掘等
དཔེ་དབྱིབས་འཛུགས་པ། སྔོག་འདོན་སོགས་འདུས་ཡོད།

最后一个技术就是大数据的可视化技术
ཆེས་མཇུག་གི་ལག་རྩལ་ནི་གཞི་གྲངས་ཆེན་པོའི་མཐོང་རུང་ཅན་གྱི་ལག་རྩལ་ཡིན།

大数据时代的可视化技术
གཞི་གྲངས་ཆེན་པོའི་དུས་རབས་ཀྱི་མཐོང་རུང་ཅན་གྱི་ལག་རྩལ་དེ་

不同于传统的信息可视化
སྲོལ་རྒྱུན་གྱི་ཆ་འཕྲིན་མཐོང་རུང་ཅན་དང་མི་འདྲ།

大数据可视化的最大挑战
གཞི་གྲངས་ཆེན་པོ་མཐོང་རུང་ཅན་གྱི་ཆེས་ཆེ་བའི་འགྲན་རྩོད་

源自数据规模
གཞི་གྲངས་ཀྱི་གཞི་ཁྱོན་ནས་བྱུང་།

新的可视化方法
མཐོང་རུང་ཅན་གྱི་བྱེད་ཐབས་གསར་པས་

能够帮助人们分析大规模 高维度
གཞི་ཁྱོན་ཆེན་པོ་དང་རྩ་ཚད་མཐོན་པོ། འབྱུང་ཁུངས་མང་པོ།

多来源 动态演化的信息
འགུལ་རྣམ་རིམ་འགྱུར་སོགས་ཀྱི་ཆ་འཕྲིན་དབྱེ་ཞིབ་ལ་རོགས་རམ་བྱ་ཐུབ།

并辅助作出实时的决策
ད་དུང་སྐབས་ཐོག་གི་ཐག་གཅོད་ལ་རམ་འདེགས་ཞུ་ཐུབ།

下面我们就来具体的介绍一下
གཤམ་ནས་ང་ཚོས་ཞིབ་ཕྲའི་སྒོ་ནས་གཞི་གྲངས་ཆེན་པོའི་

大数据分析的这几个技术
དབྱེ་ཞིབ་གྱི་ལག་རྩལ་འདི་དག་ངོ་སྤྲོད་བྱ་རྒྱུ་ཡིན།

首先我们来学习一下
ཐོག་མར་ང་ཚོས་གཞི་གྲངས་ཆེན་པོ་དབྱེ་ཞིབ་ཀྱི་

大数据分析的第一个技术深度学习
ལག་རྩལ་དང་པོ་གཏིང་ཟབ་སློབ་སྦྱོང་ལ་སློབ་སྦྱོང་བྱ།

深度学习是机器学习的子类型
གཏིང་ཟབ་སློབ་སྦྱོང་ནི་འཕྲུལ་ཆས་སློབ་སྦྱོང་གི་ཁུངས་ཏུ་འདུས་པའི་རིགས་ཤིག་ཡིན།

使用机器学习的时候
འཕྲུལ་ཆས་སློབ་སྦྱོང་སྤྱོད་པའི་སྐབས་སུ་

我们需要手动的提取图像的相关特征
ང་ཚོས་རང་གིས་རི་མོ་དང་འབྲེལ་ཡོད་གྱི་ཁྱད་ཆོས་ལེན་དགོས།

使用深度学习的时候
གཏིང་ཟབ་སློབ་སྦྱོང་སྤྱོད་པའི་སྐབས་སུ་

就可将原始图像直接馈送给神经网络
གདོད་མའི་པར་རིས་ཐད་ཀར་དབང་རྩའི་དྲ་རྒྱར་སྐྱེལ་ཆོག

由神经网络自动的去提取需要的特征
དེ་ནས་དབང་རྩའི་དྲ་རྒྱས་རང་འགུལ་གྱིས་དགོས་པའི་ཁྱད་ཆོས་ལེན།

为了获得最佳的结果
ཆེས་བཟང་བའི་མཇུག་འབྲས་ཐོབ་པའི་ཆེད་དུ་

在深度学习当中往往需要
གཏིང་ཟབ་སློབ་སྦྱོང་ནང་དུ་པར་ཁྲི་ཁྲག་མང་པོ་

成千上万乃至数百万张图像
ཡང་ན་པར་ཁྲི་བརྒྱ་ཁྲག་མང་པོ་དགོས།

深度学习他属于计算密集型的模型
གཏིང་ཟབ་སློབ་སྦྱོང་དེ་མང་འདུས་ཅན་གྱི་རྩིས་རྒྱག་དཔེ་དབྱིབས་ཁུངས་སུ་འདུས།

他需要高性能的GPU
དེ་ལ་ནུས་པ་ཆེ་བའི་GPUདགོས།

通过对机器学习和深度学习的对比
འཕྲུལ་ཆས་སློབ་སྦྱོང་དང་གཏིང་ཟབ་སློབ་སྦྱོང་བསྡུར་བ་བྱས་ཚེ།

我们就会发现
ང་ཚོས་གཏིང་ཟབ་སློབ་སྦྱོང་དེ་

深度学习将更加适合
གཞི་གྲངས་ཆེན་པོ་དུས་རབས་ཀྱི་དབྱེ་ཞིབ་

大数据时代的数据分析需求
དགོས་མཁོ་དང་ལྷག་ཏུ་འཚམ་པ་རྟོགས་ཐུབ།

那么首先我们可以看一下机器学习
དེ་ན་ང་ཚོས་ཐོག་མར་འཕྲུལ་ཆས་སློབ་སྦྱོང་ལ་གཅིག་བལྟ།

在机器学习当中
འཕྲུལ་ཆས་སློབ་སྦྱོང་གི་ནང་དུ་

我们是用小数据集来得到好的结果
ང་ཚོས་གཞི་གྲངས་ཆུང་ཆུང་ལ་བརྟེན་ནས་འབྲས་བུ་ཡག་པོ་ཐོབ།

因此在机器学习当中
དེའི་རྐྱེན་གྱིས་འཕྲུལ་ཆས་སློབ་སྦྱོང་གི་ནང་དུ་

我们需要一个快速的训练模型
ང་ཚོར་མགྱོགས་མྱུར་གྱི་སྦྱོང་བརྡར་དཔེ་དབྱིབས་ཞིག་དགོས།

那么他需要手动的去尝试不同的特征和分类器
དེ་ལ་རང་གིས་ཁྱད་ཆོས་དང་རིགས་དགར་ཆས་མི་འདྲ་བ་བཀོལ་ནས་ཚོད་ལྟ་བྱས་ཚེ།

才能达到最佳的结果
གྲུབ་འབྲས་ཆེས་ལེགས་པོ་ཐོབ་ཐུབ།

他的精度会进入一个平台期
དེའི་ཞིབ་ཚད་དེ་སྟེགས་བུ་ངེས་འན་ཞིག་དུ་སླེབས།

而在深度学习当中需要非常庞大的数据集
འོན་ཀྱང་གཏིང་ཟབ་སློབ་སྦྱོང་ནང་དུ་གཞི་གྲངས་ཧ་ཅང་ཆེ་པོ་དགོས།

他是一种计算密集型的模型
དེ་ནི་མང་འདུས་ཅན་གྱི་རྩིས་རྒྱག་དཔེ་དབྱིབས་ཤིག་ཡིན།

在深度学习当中
གཏིང་ཟབ་སློབ་སྦྱོང་ནང་དུ་

我们不需要去手动的去提取特征
ང་ཚོས་རང་གིས་ཁྱད་ཆོས་ལེན་མི་དགོས།

神经网络会自动的去学习图像的特征
དབང་རྩའི་དྲ་རྒྱས་རང་འགུལ་གྱིས་པར་རིས་ཀྱི་ཁྱད་ཆོས་ལ་སློབ་སྦྱོང་བྱ།

并且去执行相关的分类任务
དེ་མིན་ད་དུང་འབྲེལ་ཡོད་ཀྱི་རིགས་དབྱེ་ལས་འགན་ལག་བསྟར་བྱ།

在深度学习当中他的精度是无限制的
གཏིང་ཟབ་སློབ་སྦྱོང་གི་ནང་དུ་དེའི་ཞིབ་ཚད་ལ་ཚོད་འཛིན་མེད།

目前深度学习已广泛应用于许多场景
མིག་སྔར་གཏིང་ཟབ་སློབ་སྦྱོང་ཁྱབ་ཁོངས་མང་པོར་བེད་སྤྱོད་བྱ་བཞིན་ཡོད།

包括障碍物检测 人脸识别 ATM拒收假钞
བཀོག་དངོས་ཞིབ་དཔྱད་ཚད་ལེན་དང་མིའི་གདོང་ངོས་འཛིན། ATMཡིས་དངུལ་སྒོར་རྫུན་མ་མི་ལེན་པ།

机器翻译以及语音识别
འཕྲུལ་ཆས་ཡིག་སྒྱུར། སྐད་གདངས་ངོས་འཛིན།

图像着色等等
པར་རིས་ཚོན་རྒྱག་སོགས་འདུས་ཡོད།

深度学习之所以先进
གཏིང་ཟབ་སློབ་སྦྱོང་སྔོན་ཐོན་ཡིན་པ་དེ་

很大程度上是由于深度学习
ཚད་ངེས་ཅན་ཞིག་གི་སྟེང་ནས་བཤད་ན་གཏིང་ཟབ་སློབ་སྦྱོང་གིས་

采用了类似人脑的学习模式
མིའི་ཀླད་པར་སློབ་སྦྱོང་བྱེད་སྟངས་སྤྱད་པའི་རྒྱུ་མཚན་ཡིན།

让计算机具有人脑的自主学习能力
རྩིས་འཁོར་ལ་མིའི་ཀླད་པའི་རང་ཚུགས་ཀྱིས་སློབ་སྦྱོང་བྱེད་པའི་ནུས་པ་ལྡན་དུ་བཅུག

这就需要我们采用先进的算法
དེས་ན་ང་ཚོས་སྔོན་ཐོན་གྱི་རྩི་ཐབས་སྤྱད་ནས་

让机器学会自主的去学习和特征识别
འཕྲུལ་ཆས་ལ་རང་འགུལ་གྱིས་སློབ་སྦྱོང་དང་ཁྱད་ཆོས་ངོས་འཛིན་བྱེད་དུ་བཅུག

目前在深度学习当中
མིག་སྔར་གཏིང་ཟབ་སློབ་སྦྱོང་གི་ནང་དུ་

主要采用了如下四种模型
གཙོ་བོ་གཤམ་གྱི་དཔེ་དབྱིབས་བཞི་བོ་བེད་སྤྱད།

它们分别是卷积神经网络
དེ་དག་སོ་སོ་ནི་དྲིལ་བསགས་དབང་རྩའི་དྲ་རྒྱ་དང་

循环神经网络
རེས་འཁོར་དབང་རྩའི་དྲ་རྒྱ་ཡིན།

那么循环神经网络也被称为是递归神经网络
རེས་འཁོར་དབང་རྩའི་དྲ་རྒྱ་ལ་རིག་ལོག་དབང་རྩའི་དྲ་རྒྱ་ཡང་ཟེར།

其次是深度增强学习模型
དེ་ནས་ཟབ་ཚད་ཇེ་དྲག་སློབ་སྦྱོང་དཔེ་དབྱིབས་དང་

以及生成式对抗网络
འགྲུབ་ཚུལ་འགྲན་རྒོལ་དྲ་རྒྱ་ཡིན།

接下来我们再来简单的了解一下
གཤམ་དུ་ང་ཚོས་ཡང་བསྐྱར་སྟབས་བདེའི་སྒོ་ནས་

大数据分析的第二个关键技术
གཞི་གྲངས་ཆེན་པོའི་དབྱེ་ཞིབ་གྱི་འགག་རྩའི་ལག་རྩལ་གཉིས་པ་

知识计算技术
ཤེས་བྱ་རྩིས་རྒྱག་ལག་རྩལ་རྒྱུས་ལོན་བྱ།

知识是决定人类大脑智能化的关键因素
ཤེས་བྱ་ནི་མིའི་རིགས་ཀྱི་ཀླད་པ་རིག་ནུས་ཅན་དུ་བཏང་བའི་རྒྱུ་རྐྱེན་གཙོ་བོ་ཡིན།

当人脑中储存了足够的知识时
མིའི་ཀླད་པའི་ནང་དུ་ཤེས་བྱ་མང་པོ་ཤིག་ཉར་ཚགས་བྱེད་པའི་སྐབས་སུ།

人类的行为才能通过对知识的综合应用
མིའི་རིགས་ཀྱི་བྱ་སྤྱོད་ད་གཟོད་ཕྱོགས་ཡོངས་ཀྱིས་ཤེས་བྱ་བེད་སྤྱེད་པ་ལ་བརྟེན་ནས་

达到智能化
རིག་ནུས་ཅན་དུ་འགྱུར་ཐུབ།

要让机器的行为也实现智能化
འཕྲུལ་ཆས་ཀྱི་བྱ་སྤྱོད་ཀྱང་རིག་ནུས་ཅན་དུ་འགྱུར་དགོས་ན།

关键也在于对储存的知识进行知识计算
གནད་འགག་ནི་གསོག་ཉར་བྱས་པའི་ཤེས་བྱ་ལ་རྩིས་རྒྱག་རྒྱུ་དེ་ཡིན།

从而指导其行为的智能
དེ་ནས་བྱ་སྤྱོད་ཀྱི་རིག་ནུས་ལ་མཛུབ་སྟོན་བྱེད།

知识计算是智能化的关键因素
ཤེས་བྱ་རྩིས་རྒྱག་ནི་རིག་ནུས་ཅན་གྱི་རྒྱུ་རྐྱེན་གཙོ་བོ་ཡིན།

知识计算他是传统人工智能的一个重要领域
ཤེས་བྱ་རྩིས་རྒྱག་ནི་སྲོལ་རྒྱུན་མིས་བཟོས་རིག་སྟོབས་གྱི་ཁྱབ་ཁོངས་གལ་ཆེན་ཞིག་ཡིན།

他和知识表达 存储 管理 获取以及
དེ་ཤེས་བྱ་མངོན་མཚོན་དང་གསོག་འཇོག དོ་དམ། ལེན་པ།

使用和相关的计算模型的统称
བེད་སྤྱོད་བཅས་དང་འབྲེལ་བའི་དཔེ་དབྱིབས་ཀྱི་སྤྱི་མིང་ཡིན།

首先我们先来了解一下
ཐོག་མར་ང་ཚོས་ཤེས་བྱ་དང་ཤེས་བྱ་མཚོན་པའི་

知识和知识表示的概念
མཚན་སྙིད་ལ་རྒྱུས་ལོན་ཞིག་བྱ།

那什么是知识呢
དེ་ན་ཅི་ཞིག་ནི་ཤེས་བྱ་ཡིན།

知识就是对某个或某些事物的认知和理解
ཤེས་བྱ་ནི་བྱ་དངོས་གཅིག་གམ་ག་གེ་མོ་ལ་ཤེས་རྟོགས་བྱས་པའམ།

或者是通过经验 教育来获得的
ཡང་ན་ཉམས་མྱོང་དང་སློབ་གསོ་ལས་ཐོབ་པ་ཞིག་ཡིན།

如实事 信息 描述 技能等
དཔེར་ན་དོན་དངོས་དང་ཆ་འཕྲིན། ཞིབ་བརྗོད། ནུས་རྩལ་སོགས།

我们在这里所讨论的知识表示指的是
ང་ཚོས་འདིར་གྲོས་བསྡུར་བྱས་པའི་ཤེས་བྱས་མཚོན་པ་ནི་

如何用计算机来表示某种知识
ཇི་ལྟར་རྩིས་འཁོར་བཀོལ་ནས་ཤེས་བྱ་ཞིག་དང་

知识的某个层面 某个层次
ཤེས་བྱའི་རིམ་པ་ཤིག ཤེས་བྱའི་ཚད་རིམ་ཞིག

某个维度或者是某个度量等。
ཤེས་བྱའི་རྩ་ཚད་ཅིག་གམ་ཤེས་བྱའི་འཇལ་ཚད་ཅིག་མཚོན་པ་དེ་ཡིན།

目前对知识的表示
མིག་སྔར་ཤེས་ཡོན་མཚོན་པ་

主要通过以下四种模型进行描述
དེ་གཙོ་བོ་གཤམ་གྱི་དཔེ་དབྱིབས་བཞི་བརྒྱུད་ནས་ཞིབ་བརྗོད་བྱས།

第一是三元组RDF
དང་པོ་ནི་རྒྱུ་གསུམ་RDFཡིན།

那么三元组RDF它是指面向计算机的
དེ་ན་རྒྱུ་གསུམ་RDFནི་རྩིས་འཁོར་ལ་ཁ་ཕྱོགས་པའི་

知识表达和查询检索模型
ཤེས་བྱ་མཚོན་པ་དང་འཚོལ་བཤེར་དཔེ་དབྱིབས་ཡིན།

其次是语义网
དེའི་རྗེས་ནས་སྐད་དོན་དྲ་རྒྱ་ཡིན།

语义网是在万维时代对网页等
སྐད་དོན་དྲ་རྒྱ་ནི་རྩ་མང་དུས་སྐབས་སུ་དྲ་ངོས་སོགས་

半结构化数据表示模型的一次语义扩充尝试
སྒྲིག་གཞི་ཕྱེད་ཙམ་གྱི་གཞི་གྲངས་ཀྱིས་དཔེ་དབྱིབས་མཚོན་པའི་སྐད་དོན་ཚོད་ལྟ་ཐེངས་གཅིག་ཡིན།

希望通过语义网标准来扩充
སྐད་དོན་དྲ་རྒྱའི་ཚད་གཞི་ལ་བརྟེན་ནས་རྒྱ་བསྐྱེད།

并统一万维网的语义信息表达
དེར་མ་ཟད་རྩ་མང་དྲ་རྒྱའི་སྐད་དོན་ཆ་འཕྲིན་མཚོན་པ་གཅིག་གྱུར་བྱས།

实现信息在语义层面的互联和共享
ཆ་འཕྲིན་དེ་སྐད་དོན་ཀྱི་ཐད་ནས་ཕན་ཚུན་མཉམ་འབྲེལ་དང་མཉམ་སྤྱོད་བྱས།

第三是谓词逻辑
གསུམ་པ་ནི་གསལ་བཤད་ཀྱི་ཚིག་གི་གཏན་ཚིགས་ཡིན།

那么谓词逻辑他是以逻辑的方式
གསལ་བཤད་ཀྱི་ཚིག་གི་གཏན་ཚིགས་ནི་གཏན་ཚིགས་ཀྱི་བྱེད་སྟངས་ཐོག་ནས་

表示关于实体对象的知识
དངོས་གཟུགས་བྱ་ཡུལ་སྐོར་གྱི་ཤེས་བྱ་མཚོན་པ་དེ་ཡིན།

提供了一套灵活且紧凑的知识表示方式
ཤེས་བྱའི་མཚོན་ཐབས་སྟབས་བདེ་ཞིག་མཁོ་འདོན་བྱས་ཡོད།

最后是树和图
ཆེས་མཇུག་ཏུ་སྡོང་བོ་དང་རི་མོ་ཡིན།

树和图我们可以来解决大规模的数据分析问题
ང་ཚོས་སྡོང་དང་རི་མོ་ཡིས་གཞི་གྲངས་མང་པོའི་དབྱེ་ཞིབ་གནད་དོན་ཐག་གཅོད་བྱས་ཆོག

进行批量计算
སྡེབ་འབོར་གྱིས་རྩིས་རྒྱག

随着信息的数字化和网络化进程的不断加快
ཆ་འཕྲིན་མགྱོགས་མྱུར་གྱིས་གྲངས་ཀ་ཅན་དང་དྲ་རྒྱ་ཅན་དུ་འགྱུར་བ་དང་ཆབས་ཅིག་ཏུ་

人类在社会中的各类行为轨迹被记录下来
མིའི་རིགས་ཀྱི་སྤྱི་ཚོགས་ཁྲོད་ཀྱི་བྱ་སྤྱོད་སྣ་ཚོགས་ཟིན་ཐོར་བཀོད།

这使得利用计算技术
དེས་རྩིས་རྒྱག་ལག་རྩལ་བཀོལ་ནས་

观察和研究社会成为可能
སྤྱི་ཚོགས་ལ་ལྟ་ཞིབ་དང་ཞིབ་འཇུག་བྱ་རྒྱུ་དེ་མངོན་པར་གྱུར་དུ་བཅུག

一般而言
སྤྱིར་བཤད་ན།

社会计算是指社会行为和计算系统
སྤྱི་ཚོགས་རྩིས་རྒྱག་ནི་སྤྱི་ཚོགས་ཀྱི་བྱ་སྤྱོད་དང་རྩིས་རྒྱག་མ་ལག་

交叉融合的一个研究领域
མཉམ་འདྲེས་བྱས་པའི་ཞིབ་འཇུག་ཁྱབ་ཁོངས་ཤིག་ཡིན།

研究的是如何利用计算系统
ཞིབ་འཇུག་བྱས་པ་ནི་ཇི་ལྟར་རྩིས་རྒྱག་མ་ལག་བེད་སྤྱད་ནས་

帮助人们进行沟通与协作
མི་རྣམས་ཀྱི་འབྲེལ་གཏུག་དང་མཉམ་ལས་ལ་རོགས་རམ་བྱ་རྒྱུ་དེ་ཡིན།

如何利用计算技术
རྩིས་རྒྱག་ལག་རྩལ་ཇི་ལྟར་སྤྱད་ནས་

研究社会运行的规律与发展趋势
སྤྱི་ཚོགས་འཁོར་སྐྱོད་ཀྱི་ཆོས་ཉིད་དང་འཕེལ་ཕྱོགས་ལ་ཞིབ་འཇུག་བྱས།

中国科学院信息化研究所王飞跃研究员
ཀྲུང་གོའི་ཚན་རིག་དང་ཆ་འཕྲིན་ཞིབ་འཇུག་ཁང་གི་ཞིབ་འཇུག་པ་ཝང་ཧྥེ་ཡོན་གྱིས་

对社会计算提出了他的两种概念
སྤྱི་ཚོགས་རྩིས་རྒྱག་ལ་ཁོའི་གོ་དོན་གཉིས་བཏོན།

他从广义和狭义的角度
ཁོང་གིས་གོ་དོན་ལ་རྒྱ་ཆེ་བ་དང་གུ་དོག་པོ་གཉིས་ཀྱི་སྒོ་ནས་

分别提出来了社会计算的概念
སྤྱི་ཚོགས་རྩིས་རྒྱག་ཅེས་པའི་གོ་དོན་བཏོན།

广义而言
རྒྱ་ཆེ་བའི་སྒོ་ནས་བཤད་ན།

社会计算是指面向社会科学的计算理论和方法
སྤྱི་ཚོགས་རྩིས་རྒྱག་ཅེས་པ་དེ་སྤྱི་ཚོགས་ཚན་རིག་ལ་ཁ་ཕྱོགས་པའི་རྩིས་རྒྱག་གཞུང་ལུགས་དང་བྱེད་ཐབས་ལ་བཀོད།

而狭义而言
གུ་དོག་པའི་སྒོ་ནས་བཤད་ན།

社会计算是面向社会活动 社会过程
སྤྱི་ཚོགས་ཀྱི་རྩིས་རྒྱག་ཅེས་པ་ནི་སྤྱི་ཚོགས་ཀྱི་བྱེད་སྒོ་དང་སྤྱི་ཚོགས་ཀྱི་བརྒྱུད་རིམ།

社会结构 社会组织及其作用和效应的
སྤྱི་ཚོགས་ཀྱི་གྲུབ་ཚུལ། སྤྱི་ཚོགས་ཀྱི་རྩ་འཛུགས་བཅས་དང་དེའི་ནུས་པ་དང་ཕན་ནུས་ལ་ཁ་ཕྱོགས་པའི་

计算理论和方法
རྩིས་རྒྱག་གཞུང་ལུགས་དང་བྱེད་ཐབས་ཤིག་ཡིན།

那么社会计算在我们很多领域当中
སྤྱི་ཚོགས་ཀྱི་རྩིས་རྒྱག་དེ་ང་ཚོའི་ཁྱབ་ཁོངས་མང་པོའི་ནང་

都有它重要的应用
བེད་སྤྱོད་གལ་ཆེན་བྱེད་ཀྱི་ཡོད།

首先社会计算在复杂工程系统中有重要的应用
ཐོག་མར་སྤྱི་ཚོགས་རྩིས་རྒྱག་དེ་རྙོག་འཛིང་བཟོ་སྐྲུན་མ་ལག་ཁྲོད་དུ་ཉེར་སྤྱོད་རིན་ཐང་གལ་ཆེ་ཡོད།

如人工交通 人工电网 人工制造
དཔེར་ན། མིས་བཟོས་འགྲིམ་འགྲུལ་དང་མིས་བཟོས་གློག་དྲ། མིས་བཟོས་ཐོན་སྐྱེད།

人工生产 人工农业系统等
མིས་བཟོས་བཟོ་ལས་དང་ཞིང་ལས་ཀྱི་མ་ལག་སོགས།

在这些系统中加入人 社会和自然生态的影响
མ་ལག་འདི་དག་གི་ནང་དུ་མི་དང་སྤྱི་ཚོགས། རང་བྱུང་སྐྱེས་ཁམས་བཅས་ཀྱི་ཤན་ཤུགས་ཁ་སྣོན་བྱེད།

在更高的层次上考虑整体性的问题
རིམ་པ་སྔར་ལས་མཐོ་བའི་ཐོག་ནས་སྤྱི་ཡོངས་རང་བཞིན་གྱི་གནད་དོན་ལ་བསམ་གཞིགས་བྱས།

为提高复杂工程系统的管理与操作
རྙོག་འཛིང་བཟོ་སྐྲུན་མ་ལག་གི་དོ་དམ་དང་བཀོལ་སྤྱོད་མཐོར་འདེགས་གཏོང་ཆེད།

增加收益提供科学化的手段
ཁེ་ཕན་མང་དུ་གཏོང་ནས་ཚན་རིག་ཅན་གྱི་བྱེད་ཐབས་མཁོ་འདོན་བྱ་དགོས།

其次社会计算在人口系统当中
དེ་ནས་སྤྱི་ཚོགས་རྩིས་རྒྱག་དེ་མི་གྲང་མ་ལག་ཁྲོད་དུ་

也有其重要的的应用
ཡང་བེད་སྤྱོད་གལ་ཆེན་བྱེད་ཀྱི་ཡོད།

通过构造人口系统
མི་གྲང་མ་ལག་གྲུབ་ཚུལ་ལ་བརྟེན་ནས་

来描述人口的动态变化
མི་གྲང་གི་འགུལ་རྣམ་འགྱུར་ལྡོག་ལ་ཞིབ་བརྗོད་བྱས།

个体和整体的人口状态
མི་སྒེར་དང་སྤྱི་ཡོངས་ཀྱི་མི་གྲང་གི་རྣམ་པས་

构造人口平行系统
མི་གྲང་མཉམ་འགྲོའི་མ་ལག་གྲུབ།

用于国家人口综合规划和人口政策研究
རྒྱལ་ཁབ་ཀྱིས་མི་གྲང་ཕྱོགས་བསྡུས་འཆར་འགོད་དང་མི་གྲང་སྲིད་ཇུས་ཞིབ་འཇུག་བྱེད་པར་སྤྱོད།

并对人口进行动态管理和控制
ད་རུང་མི་གྲང་ལ་འགུལ་རྣམ་གྱིས་དོ་དམ་དང་ཚོད་འཛིན་བྱས།

第三是社会计算在复杂生态问题当中
གསུམ་པ་ནི་སྤྱི་ཚོགས་རྩིས་རྒྱག་དེ་རྙོག་འཛིང་སྐྱེ་ཁམས་གནད་དོན་ཁྲོད་

也有其应用
དུའང་་ཉེར་སྤྱོད་བྱས།

通过建立各种人工生态系统
མིས་བཟོས་སྐྱེ་ཁམས་མ་ལག་སྣ་ཚོགས་བཙུགས་པ་བརྒྱུད་ནས།

将人的生态观念和认知
མིའི་སྐྱེ་ཁམས་འདུ་ཤེས་དང་ཤེས་རྟོགས་དེ་

嵌入其中的计算与决策之中
རྩིས་རྒྱག་དང་ཐབས་ཇུས་ནང་དུ་མཉམ་འདྲེས་བྱས་ནས་

评估不同生态政策对自然环境和人类社会
སྐྱེ་ཁམས་སྲིད་ཇུས་མི་འདྲ་བས་རང་བྱུང་ཁོར་ཡུག་དང་མིའི་རིགས་ཀྱི་སྤྱི་ཚོགས་

在不同周期内的效果及其影响
ལ་དུས་འཁོར་མི་འདྲ་བའི་ནང་གི་ཕན་འབྲས་དང་ཤེན་ཤུགས་ལ་དཔྱད་དཔོག་བྱེད།

同时社会计算也在复杂系统当中有一定的应用
དེ་དང་མཉམ་དུ་སྤྱི་ཚོགས་རྩིས་རྒྱག་ཀྱང་རྙོག་འཛིང་མ་ལག་ཁྲོད་དུ་ཉེར་སྤྱོད་ངེས་ཅན་ཞིག་ཡོད།

例如人工股市 经济规模 人工智能系统等
དཔེར་ན་མིས་བཟོས་དངུལ་ཚོང་དང་དཔལ་འབྱོར་གཞི་ཁྱོན། མིས་བཟོས་རིག་ནུས་མ་ལག་སོགས།

国外已有大量的关于各种人工经济系统的研究
ཕྱི་རྒྱལ་དུ་མིས་བཟོས་དཔལ་འབྱོར་མ་ལག་སྣ་ཚོགས་སྐོར་གྱི་ཞིབ་འཇུག་མང་པོ་བྱས་ཡོད།

通过平行系统方法
མཉམ་འགྲོ་མ་ལག་བྱེད་ཐབས་བརྒྱུད་ནས་

可进一步利用这些成果
མུ་མཐུད་དུ་གྲུབ་འབྲས་འདི་དག་བེད་སྤྱད་ནས་

深入地研究社会经济系统的动态行为
སྤྱི་ཚོགས་ཀྱི་དཔལ་འབྱོར་མ་ལག་གི་འགུལ་སྐྱོད་བྱེད་ཚུལ་ལ་ཞིབ་འཇུག་ཟབ་མོ་བྱེད།

并评估各种不同经济政策的效果
དེ་མ་ཟད་དཔལ་འབྱོར་ཀྱི་སྲིད་ཇུས་འདྲ་མིན་སྣ་ཚོགས་ཀྱི་ཕན་འབྲས་ལ་དཔྱད་དཔག་བྱས།

第五是随着全球化进程的快速加快
ལྔ་པ་ནི་འཛམ་གླིང་ཧྲིལ་པོ་ཅན་དུ་འགྱུར་བའི་འཕེལ་རིམ་ཇེ་མགྱོགས་སུ་འགྲོ་བ་དང་བསྟུན་ནས་

社会计算在模拟战争系统当中
སྤྱི་ཚོགས་རྩིས་རྒྱག་དེ་དམག་འཁྲུག་མ་ལག་ལ་ལད་ཟློས་བྱས་པའི་ཁྲོད་དུ་

也有其重要的应用
ཡང་ཉེར་སྤྱོད་རིན་ཐང་གལ་ཆེན་ཡོད།

社会计算通过人工军事系统
སྤྱི་ཚོགས་རྩིས་རྒྱག་གིས་མིའི་ཐབས་ཀྱིས་དམག་དོན་མ་ལག་

和相应的平行系统方法
དང་བབ་མཚུངས་ཀྱི་མཉམ་འགྲོའི་མ་ལག་གི་བྱེད་ཐབས་ལ་བརྟེན་ནས།

可以提供更有效和逼真的战争模拟
དེ་བས་ནུས་ལྡན་དང་མངོན་སུམ་གྱིས་དམག་འཁྲུག་ལད་ཟློས་བྱེད་ཐུབ།

并对不同军事战略的效果 应变能力
དམག་དོན་འཐབ་ཇུས་མི་འདྲ་བའི་ཕན་འབྲས་དང་བབ་བསྟུན་ནུས་པ།

社会经济效益 国内外政治影响等进行评估
སྤྱི་ཚོགས་ཀྱི་དཔལ་འབྱོར་ཕན་འབྲས། རྒྱལ་ཁབ་ཕྱི་ནང་གི་ཆབ་སྲིད་ཤན་ཤུགས་སོགས་ལ་དཔྱད་དཔོག་བྱས།

此外社会计算也被应用在复杂社会系统当中
གཞན་ཡང་སྤྱི་ཚོགས་རྩིས་རྒྱག་ཀྱང་རྙོག་འཛིང་ཆེ་བའི་སྤྱི་ཚོགས་མ་ལག་ཁྲོད་དུ་བཀོལ་སྤྱོད་བྱེད་བཞིན་ཡོད།

通过建立各种人工社会
མིས་བཟོས་སྤྱི་ཚོགས་སྣ་ཚོགས་བཙུགས་པར་བརྟེན་ནས

构造相应的平行系统
བབ་མཚུངས་ཀྱི་མཉམ་འགྲོའི་མ་ལག་གྲུབ།

为“全面、综合、可持续的科学发展观”
“ཕྱོགས་ཡོངས་དང་ཕྱོགས་བསྡུས། རྒྱུན་མཐུད་བཅས་ཀྱི་ཚན་རིག་འཕེལ་རྒྱས་ལྟ་བས”

提供一种可行的分析和评估方法
སྤྱོད་གོ་ཆོད་པའི་དབྱེ་ཞིབ་དང་དཔྱད་དཔོག་བྱ་ཐབས་ཤིག་མཁོ་འདོན་བྱས་ཡོད།

并应用于实际复杂社会系统的管理与控制当中
དེ་མ་ཟད་དོན་དངོས་ཀྱི་རྙོག་འཛང་ཆེ་བའི་སྤྱི་ཚོགས་མ་ལག་གི་དོ་དམ་དང་ཚོད་འཛིན་ཁྲོད་དུའང་བེད་སྤྱོད་བྱས།

为将要到来的数字化社会和政府管理奠定基础
མ་འོང་བའི་གྲངས་ཀ་ཅན་གྱི་སྤྱི་ཚོགས་དང་སྲིད་གཞུང་གི་དོ་དམ་ལ་རྨང་གཞི་བཏིང་།

那么对于社会计算主要目前
དེ་ན་སྤྱི་ཚོགས་རྩིས་རྒྱག་གི་ཞིབ་འཇུག་ལ་མཚོན་ན་

对他的研究有五个方面
མིག་སྔར་གཙོ་བོ་ཕྱོགས་ལྔ་ཡོད་།

第一是社交网络服务的研究
དང་པོ་ནི་སྤྱི་ཚོགས་འབྲེལ་བའི་དྲ་རྒྱའི་ཞབས་ཞུའི་ཞིབ་འཇུག་ཡིན།

谈到社交网络服务
སྤྱི་ཚོགས་འབྲེལ་བའི་དྲ་རྒྱའི་ཞབས་ཞུའི་སྐོར་གླེང་ན།

就会让人想起时下最流行的Facebook
མི་རྣམས་ཀྱིས་མིག་སྔར་ཆེས་དར་ཁྱབ་ཆེ་བའི་Facebookདྲན།

社交网络服务研究的是利用信息技术
སྤྱི་ཚོགས་འབྲེལ་བའི་དྲ་རྒྱའི་ཞབས་ཞུའི་ཞིབ་འཇུག་ནི་ཆ་འཕྲིན་ལག་རྩལ་བཀོལ་ནས་

构建虚拟空间
རྟོག་བཟོའི་བར་སྟོང་བསྐྲུན་པ་དེ་ཡིན།

实现社会性的交互和通信
སྤྱི་ཚོགས་རང་བཞིན་གྱི་འབྲེལ་འདྲེས་དང་འཕྲིན་གཏོང་མངོན་འགྱུར་བྱས།

而社交网络服务还有一种解释是社会网络软件
འོན་ཀྱང་སྤྱི་ཚོགས་འབྲེལ་བའི་དྲ་རྒྱའི་ཞབས་ཞུ་ལ་ད་དུང་འགྲེལ་བཤད་ཞིག་ཡོད་པ་ནི་སྤྱི་ཚོགས་དྲ་རྒྱའི་མཉེན་ཆས་ཡིན།

像电子邮件 网络论坛等等
དཔེར་ན་གློག་རྡུལ་སྦྲག་ཡིག་དང་དྲ་རྒྱའི་གླེང་སྟེགས་སོགས།

许多传统网络工具都可以视为一种社会软件
སྲོལ་རྒྱུན་གྱི་དྲ་རྒྱའི་ཡོ་བྱད་མང་པོ་ཤིག་སྤྱི་ཚོགས་ཀྱི་མཉེན་ཆས་ཤིག་ཏུ་རྩིས་ཆོག

利用这些社会软件
ང་ཚོས་མཉེན་ཆས་འདི་དག་བེད་སྤྱད་ནས་

我们可以去了解人与人之间的关系
མི་དང་མིའི་བར་གྱི་འབྲེལ་བར་རྒྱུས་ལོན་བྱས་ཆོག

人与人之间的一些现象等等
མི་དང་མིའི་བར་གྱི་སྣང་ཚུལ་ཁ་ཤས་སོགས།

第二是在群体智慧方面的研究
གཉིས་པ་ནི་ཚོགས་པའི་བློ་གྲོས་ཐད་ཀྱི་ཞིབ་འཇུག་ཡིན།

群体智慧的典型应用是
ཚོགས་པའི་བློ་གྲོས་ཀྱི་དཔེ་མཚོན་བེད་སྤྱོད་གཙོ་བོ་ནི་

“维基百科”和“百度知道”
“ཝེ་ཅི་ཤེས་བྱ་ཀུན་འདུས”དང་“པེ་ཏུའུས་ཤེས་པ”གཉིས་པོ་ཡིན།

这些互联网平台系统
མཉམ་སྦྲེལ་དྲ་རྒྱའི་སྟེགས་བུའི་མ་ལག་འདི་དག་གིས་

不仅帮助用户相互沟通联系
སྤྱོད་མཁན་ཕན་ཚུན་འབྲེལ་གཏུག་བྱེད་པར་རོགས་རམ་བྱེད་པ་མ་ཟད།

更重要的是将用户组织起来
དེ་བས་གལ་ཆེ་བ་ནི་སྤྱོད་མཁན་དག་རྩ་འཛུགས་བྱས།

发挥他们的群体智慧
ཁོང་ཚོའི་ཚོགས་པའི་བློ་གྲོས་འདོན་སྤེལ་བྱས།

以协作的方式一起创造 加工和分享知识
རོགས་ལས་ཀྱི་ཐབས་ལ་བརྟེན་ནས་ཤེས་བྱ་གསར་གཏོད་དང་ལས་སྣོན། མཉམ་སྤྱོད་བཅས་བྱས།

第三是社会网络分析
གསུམ་པ་ནི་སྤྱི་ཚོགས་དྲ་རྒྱའི་དབྱེ་ཞིབ་ཡིན།

社会网络分析依据网络理论看待社会
སྤྱི་ཚོགས་དྲ་རྒྱའི་དབྱེ་ཞིབ་གྱིས་དྲ་རྒྱའི་གཞུང་ལུགས་བཞུར་བཟུང་ནས་སྤྱི་ཚོགས་ལ་ལྟ་སྟངས་འཛིན།

节点是网络中的独立角色
ཚིགས་ཚེག་ནི་དྲ་རྒྱའི་ནང་གི་རང་ཚུགས་ཅན་གྱི་འཁྲབ་མཁན་དག་ཡིན།

边是他们在社会当中的是社会关系
མཐའ་ནི་སྤྱི་ཚོགས་ཁྲོད་ཀྱི་ཁོ་ཚོའི་སྤྱི་ཚོགས་འབྲེལ་བ་ཡིན།

社会网络就是节点和边构成的一张图
སྤྱི་ཚོགས་དྲ་རྒྱ་ནི་ཚིགས་ཚེགས་དང་མཐའ་ཡིས་གྲུབ་པའི་རི་མོ་ཤིག་ཡིན།

这张图他往往非常复杂
རི་མོ་འདི་རྒྱུན་དུ་ཧ་ཅང་རྙོག་འཛིང་ཆེ།

节点之间的关系类型也是多种多样
ཚིགས་ཚེགས་བར་གྱི་འབྲེལ་བའི་རིགས་ལ་སྣ་པ་སྣ་ཚོགས་ཡོད།

利用社会网络分析的软件
སྤྱི་ཚོགས་དྲ་རྒྱ་དབྱེ་ཞིབ་ཀྱི་མཉེན་ཆས་བེད་སྤྱད་ན།

我们就可以来分析出节点和边之间
ང་ཚོས་ཚིགས་ཚེགས་དང་མཐའི་བར་དུ་རྙོག་འཛིང་གི་

存在什么样的复杂关系
འབྲེལ་བ་ཅི་འདྲ་ཤིག་ཡོད་པ་དབྱེ་ཞིབ་བྱ་ཐུབ།

谁是社会网络当中重要的节点
གང་ནི་སྤྱི་ཚོགས་དྲ་རྒྱའི་ནང་གི་ཚིགས་ཚེགས་གཙོ་བོ་དང་

需要保护的节点等等
སྲུང་སྐྱོབ་བྱེད་དགོས་པའི་ཚིགས་ཚེགས་ཡིན་པ་སོགས།

第四是我们对内容的计算
བཞི་པ་ནི་ང་ཚོས་ནང་དོན་ལ་རྩིས་རྒྱག་རྒྱུ་དེ་ཡིན།

内容计算的研究
ནང་དོན་རྩིས་རྒྱག་གི་ཞིབ་འཇུག་དེ་

随着社会网络的发展
སྤྱི་ཚོགས་དྲ་རྒྱའི་འཕེལ་རྒྱས་དང་བསྟུན།

社会媒体也是分析理解社会的重要素材
སྤྱི་ཚོགས་འཕྲིན་སྦྱོར་ཡང་སྤྱི་ཚོགས་ལ་དབྱེ་ཞིབ་དང་ཤེས་རྟོགས་བྱེད་པའི་རྒྱུ་ཆ་གཙོ་བོ་ཤིག་ཡིན།

例如像新闻 论坛 博客 微博等
དཔེར་ན། གསར་འགྱུར་དང་གླེང་སྟེགས། པོད་ཁུག། པོད་འཕྲིན་སོགས།

由于它们都以语言文字为主要展示形式
དེ་དག་ཚང་མས་སྐད་བརྡ་དང་ཡི་གེ་འགྲེམ་སྟོན་གྱི་རྣམ་པ་གཙོ་བོ་བྱས།

因此从事内容计算研究的学者
དེར་ཕྱིར་ནང་དོན་རྩིས་རྒྱག་ཞིབ་འཇུག་བྱེད་མཁན་གྱི་མཁས་པའི་

需要掌握语言分析技术
ཁོང་དུ་སྐད་བརྡ་དབྱེ་ཞིབ་གྱི་ལག་རྩལ་ཆུད་དགོས།

当前内容计算的热点包括舆情分析
མིག་སྔར་ནང་དོན་རྩིས་རྒྱག་གི་གླེང་བྱ་གཙོ་བོ་ལ་གླེང་ཕྱོགས་དབྱེ་ཞིབ་དང་

人际关系挖掘 微博应用等
མི་དང་མིའི་བར་གྱི་འབྲེལ་བ་སྔོག་འདོན། པོད་འཕྲིན་བཀོལ་སྤྱོད་སོགས་འདུས་ཡོད།

社会计算当中这一方面的研究内容
སྤྱི་ཚོགས་རྩིས་རྒྱག་ནང་གི་འདིའི་སྐོར་གྱི་ཞིབ་འཇུག་ནང་དོན་གྱིས་

可以帮助人们来掌握出舆情的预测
མི་རྣམས་ལ་གླེང་ཕྱོགས་སྔོན་དཔག་བྱ་རོགས་བྱེད་ཐུབ།

对舆情的控制以及人际关系之间的
གླེང་ཕྱོགས་ཚོད་འཛིན་དང་མིའི་བར་གྱི་འབྲེལ་བ་

深层次关系的挖掘等等
ཟབ་མོ་སོགས་སྔོག་འདོན་བྱེད།

此外是在人工社会方面的研究
གཞན་ཡང་མིས་བཟོས་སྤྱི་ཚོགས་ཕྱོགས་ཀྱི་ཞིབ་འཇུག་ཡིན།

社会计算的一个重要使命
སྤྱི་ཚོགས་རྩིས་རྒྱག་གི་ལས་འགན་གཙོ་བོ་ཞིག་ནི་

就是对复杂社会问题建立计算模型
རྙོག་འཛིང་སྤྱི་ཚོགས་ཀྱི་གནད་དོན་ལ་རྩིས་རྒྱག་དཔེ་དབྱིབས་འཛུགས་ནས་

进行实验分析并提供决策支持
ཚོད་ལྟར་དབྱེ་ཞིབ་བྱེད་པ་མ་ཟད། ཐབས་ཇུས་ཀྱི་རྒྱབ་སྐྱོར་མཁོ་འདོན་བྱ་དགོས།

利用计算机模拟手段
རྩིས་འཁོར་གྱི་ལེད་ཟླས་བྱེད་ཐབས་བཀོལ་ནས་

测试和验证社会经济政策的效果
སྤྱི་ཚོགས་དཔལ་འབྱོར་སྲིད་ཇུས་ཀྱི་ཕན་འབྲས་ལ་ཚོད་ལྟ་དང་ར་སྤྲོད་བྱས།

已成为一个公共政策领域的迫切需求
དེ་སྤྱི་པའི་སྲིད་ཇུས་ཁྱབ་ཁོངས་ཀྱི་ཁ་ཚ་དགོས་གཏུག་གི་དགོས་མཁོ་ཞིག་ཏུ་གྱུར་ཡོད།

这些需求催生了“人工社会”
དགོས་མཁོ་དེ་དག་གིས་“མིས་བཟོས་སྤྱི་ཚོགས”དང་

“平行社会”等诸多相关领域的研究
“མཉམ་འགྲོའི་སྤྱི་ཚོགས”སོགས་འབྲེལ་ཡོད་ཁྱབ་ཁོངས་མང་པོའི་ཞིབ་འཇུག་བྱུང་དུ་བཅུག

那么对人工社会的一个研究
དེ་ན་མིས་བཟོས་སྤྱི་ཚོགས་ཀྱི་ཞིབ་འཇུག་ཞིག་ཡིན་ན་

也是我们社会计算的一个重要和核心的内容
ང་ཚོའི་སྤྱི་ཚོགས་རྩིས་རྒྱག་གི་ནང་དོན་གལ་ཆེན་ཞིག་ཀྱང་ཡིན།

接下来我们再来说一下
གཤམ་ནས་ང་ཚོས་ཡང་བསྐྱར་

大数据分析的最后一个技术
གཞི་གྲངས་ཆེན་པོ་དབྱེ་ཞིབ་བྱེད་པའི་མཐའ་མཇུག་གི་ལག་རྩལ་ཅིག་བཤད།

数据可视化
གཞི་གྲངས་མཐོང་རུང་ཅན།

数据可视化要根据数据的特性
གཞི་གྲངས་མཐོང་རུང་ཅན་གྱིས་གཞི་གྲངས་ཀྱི་ཁྱད་ཆོས་ལ་གཞིགས་ནས།

如时间信息和空间信息等
དཔེར་ན་དུས་ཚོད་ཆ་འཕྲིན་དང་བར་སྟོང་ཆ་འཕྲིན་སོགས།

来找到合适的可视化的方式
འོས་འཚམ་གྱི་མཐོང་རུང་ཅན་གྱི་བྱེད་སྟངས་རྙེད།

例如图表 图和地图等
དཔེར་ན་རེའུ་མིག་དང་རི་མོ། ས་ཁྲ་སོགས་ཀྱིས་

将数据直观地展示出来
ཐད་ཀར་དུ་གཞི་གྲངས་མངོན་པར་མཚོན།

以帮助人们去理解数据
དེས་མི་རྣམས་ལ་རོགས་རམ་བྱས་ནས་གཞི་གྲངས་ལ་གོ་བ་ལེན།

同时找出包含在海量数据当中的规律或者信息
དེ་དང་དུས་གཅིག་ཏུ་གཞི་གྲངས་ཁྲོད་ཀྱི་ཆོས་ཉིད་དང་ཆ་འཕྲིན་བཙལ།

数据可视化是大数据生命周期管理的最后一步
གཞི་གྲངས་མཐོང་རུང་ཅན་ནི་གཞི་གྲངས་ཆེན་པོའི་ཚེ་སྲོག་འཁོར་ཡུན་དོ་དམ་གྱི་ཆེས་མཐའ་མཇུག་གི་གོམ་པ་ཡིན།

同时他也是最重要的一步
དུས་མཚུངས་སུ་དེ་ཆེས་གལ་ཆེ་བའི་གོམ་པ་གཅིག་ཡང་ཡིན།

这个数据可视化起源于计算机图形学
གཞི་གྲངས་མཐོང་རུང་ཅན་འདི་རྩིས་འཁོར་རིས་དབྱིབས་རིག་པ་དང་

人工智能 科学可视化以及用户界面等领域
མིས་བཟོས་རིག་ནུས། ཚན་རིག་མཐོང་རུང་ཅན་དང་སྤྱོད་མཁན་འཆར་ངོས་སོགས་ཀྱི་ཁྱབ་ཁོངས་ལས་བྱུང་།

通过对这些领域的相互促进和发展
ཁྱབ་ཁོངས་འདི་དག་ཕན་ཚུན་སྐུལ་འདེད་དང་འཕེལ་རྒྱས་གཏོང་རྒྱུ་ནི་

是当前计算机科学的一个重要研究方向
མིག་སྔར་རྩིས་འཁོར་ཚན་རིག་གི་ཞིབ་འཇུག་ཁ་ཕྱོགས་གཙོ་བོ་རེད།

它利用计算机对抽象信息进行直观的表示
དེས་རྩིས་འཁོར་སྤྱོིད་ནས་སྤྱི་མཚན་ཆ་འཕྲིན་ཐད་ཀར་དུ་མཚོན་པ་རེད།

以利于快速信息检索和增强认知能力
དེ་ནི་མགྱོགས་མྱུར་གྱིས་ཆ་འཕྲིན་འཚོལ་ཞིབ་དང་ཤེས་རྟོགས་ནུས་པ་ཆེ་རུ་གཏོང་ཆེད་དུའོ།

数据可视化的系统并不是为了展示
གཞི་གྲངས་མཐོང་རུང་ཅན་གྱི་མ་ལག་དེ་སྤྱོད་མཁན་

用户的已知的数据之间的规律
རང་ཉིད་ཀྱི་ཤེས་པའི་གཞི་གྲངས་བར་གྱི་ཆོས་ཉིད་འགྲེམས་སྟོན་བྱེད་ཆེད་མིན།

他是为了帮助用户认知数据
དེ་ནི་སྤྱོད་མཁན་ལ་རོགས་རམ་བྱེད་ནས་གཞི་གྲངས་ལ་ཤེས་རྟོགས་ཆེད་ཡིན་ལ།

来去让这些数据反映出事物的本质。
གཞི་གྲངས་འདི་དག་གིས་བྱ་དངོས་ཀྱི་ངོ་བོ་མཚོན་དུ་བཅུག

在大数据时代
གཞི་གྲངས་ཆེན་པོའི་དུས་རབས་སུ་

我们对大数据实施可视化的过程
ང་ཚོས་གཞི་གྲངས་ཆེན་པོ་དེ་མཐོང་རུང་ཅན་དུ་ལག་བསྟར་བྱེད་པའི་བརྒྱུད་རིམ་

可以由这样一张图来描述
རི་མོ་འདི་ལྟ་བུ་ཞིག་གིས་གསལ་བཤད་བྱེད་ཆོག

首先我们会收集原始数据
ཐོག་མར་ང་ཚོས་གདོད་མའི་གཞི་གྲངས་འཚོལ་བསྡུ་བྱེད་སྲིད།

当我们收集到这些原始数据
ང་ཚོས་གདོད་མའི་གཞི་གྲངས་འདི་དག་འཚོལ་བསྡུ་བྱེད་པ་དང་

而且收集的数据足够多的时候
ད་དུང་འཚོལ་བསྡུ་བྱས་པ་འདང་ངེས་ཀྱི་དུས་སུ།

我们就可以将这些原始数据转换成数据表
ང་ཚོས་གདོད་མའི་གཞི་གྲངས་འདི་དག་གཞི་གྲངས་རེའུ་མིག་ལ་བསྒྱུར་ཆོག

这些转换数据表的时候
འདི་དག་གཞི་གྲངས་རེའུ་མིག་ལ་བསྒྱུར་བའི་སྐབས་སུ་

我们需要对数据进行标准化 结构化的处理
ང་ཚོས་གཞི་གྲངས་འདི་དག་ཚད་ལྡན་ཅན་དང་སྒྲིག་གཞི་ཅན་གྱི་སྒྲིག་གཅོད་བྱེད་དགོས།

转换成数据表之后
གཞི་གྲངས་རེའུ་མིག་ཏུ་བསྒྱུར་བའི་རྗེས་སུ་

我们在通过整理
ང་ཚོས་ལེགས་སྒྲིག་བརྒྱུད་ནས་

将这些数据当中的数值转换成一种视觉结构
གཞི་གྲངས་འདི་དག་ཁྲོད་ཀྱི་གྲངས་ཐང་དེ་མཐོང་ཚོར་ཅན་གྱི་སྒྲིག་གཞི་ལ་བསྒྱུར་བ་ཡིན།

什么是视觉结构呢
ཅི་ཞིག་ནི་མཐོང་ཚོར་ཅན་གྱི་སྒྲིག་གཞི་ཡིན།

视觉结构指的就是说
མཐོང་ཚོར་ཅན་གྱི་སྒྲིག་གཞི་ཟེར་བ་ནི་

我们把他转换成形状 位置 尺寸 大小
ང་ཚོས་དེ་གཟུགས་གཞི་ཅན་དང་གནས་ཡུལ། རིང་ཐུང་། ཆེ་ཆུང་།

方向 色彩 纹理等等
ཁ་ཕྱོགས། ཁ་མདོག ཁྲ་རིས་སོགས་སུ་བསྒྱུར་བ་དེ་ཡིན།

可以用视觉来去体验的一种数据
མཐོང་ཚོར་གྱིས་རོལ་མྱོང་བྱེད་ཐུབ་པའི་གཞི་གྲངས་རིགས་ཤིག་ཡིན།

通过视觉的方式我们把它表现出来
མཐོང་ཚོར་གྱི་ཐབས་ལ་བསྟེན་ནས་ང་ཚོས་དེ་མཚོན་པར་བྱས་ཡོད།

例如我们将股市当中的高中低的风险
དཔེར་ན། ང་ཚོས་རྐང་དངུལ་འཛིན་ལོར་གྱི་ཉོ་ཚོང་ཚོང་ར་ལས་མཐོ་བ་དང་དམའ་བའི་ཉེན་ཁ་

转换成红黄蓝等色彩
སེར་པོ་དང་སྔོན་པོ་སོགས་ཀྱི་ཚོན་མདོག་ལ་བསྒྱུར་བ།

这样的一种转换
འདི་ལྟ་བུའི་བསྒྱུར་སྟངས་ཀྱིས་

就可以让用户能够直观的看到
སྤྱོད་མཁན་གྱིས་ཐད་ཀར་གྲངས་ཐང་གིས་མངོན་པའི་

数值所反映的实质
རང་བཞིན་དེ་མཐོང་ཐུབ་པར་བྱེད།

将视觉结构进行组合之后
མཐོང་ཚོར་སྒྲིག་གཞི་སྡེབ་སྒྲིག་བྱས་པའི་རྗེས་སུ་

我们把它转换成图形反馈给用户
ང་ཚོས་དེ་རི་མོའི་གཟུགས་སུ་བསྒྱུར་ཏེ་སྤྱོད་མཁན་ལ་ལན་སྟེར་བཞིན་ཡོད།

用户在接受了这些数据之后
སྤྱོད་མཁན་གྱིས་གཞི་གྲངས་འདི་དག་དང་ལེན་བྱས་པའི་རྗེས་སུ་

就可以形成一种信息
ཆ་འཕྲིན་གྱི་རྣམ་པ་ཞིག་གྲུབ་ནས་

来去发现事物的这个真实的本质
བྱ་དངོས་ཀྱི་དོན་ངོས་ངོ་བོ་དེ་གསར་རྙེད་བྱེད་ཀྱིན་ཡོད།

继而用户再通过人机交互的方式
དེ་ནས་སྤྱོད་མཁན་གྱིས་མི་དང་རྩིས་འཁོར་འབྲེལ་འདྲིས་ཀྱི་ཐབས་ལ་བསྟེན་ནས་

反向的将这些信息进行反馈
ལོག་ཕྱོགས་ཀྱིས་ཆ་འཕྲིན་འདི་དག་ཕྱིར་ལྡོག་བྱེད།

从而更好的去了解数据背后隐藏问题和规律
དེར་བརྟེན་གཞི་གྲངས་ཀྱི་ཡིབ་པའི་གནད་དོན་དང་ཆོས་ཉིད་ལ་དེ་ལས་བཟང་བའི་སྒོ་ནས་རྒྱུས་ལོན་བྱེད།

要完成大数据可视化
གཞི་གྲངས་ཆེན་པོའི་མཐོང་རུང་ཅན་དེ་ལེགས་འགྲུབ་བྱེད་དགོས་ན།

我们需要通过以下几个步骤来完成
ང་ཚོས་གཤམ་གྱི་གོ་རིམ་འདི་དག་བརྒྱུད་ནས་ལེགས་འགྲུབ་བྱེད་དགོས།

首先第一步是需求分析
ཐོག་མར་གོ་རིམ་དང་པོ་ནི་དགོས་མཁོའི་དབྱེ་ཞིབ་ཡིན།

在进行大数据的可视化的时候
གཞི་གྲངས་ཆེན་པོའི་མཐོང་རུང་ཅན་གྱི་སྐབས་སུ་

我们先要了解用户希望得到什么样的数据
ང་ཚོས་ཐོག་མར་སྤྱོད་མཁན་ལ་གཞི་གྲངས་ག་འདྲ་ཞིག་ཐོབ་འདོད་པ་དང་

需要得到什么样的数据
གཞི་གྲངས་ག་འདྲ་ཞིག་ཐོབ་འདོད་པ་རྒྱུས་ལོན་བྱེད་དགོས།

想从数据当中获取什么样的信息
གཞི་གྲངས་ཁྲོད་ནས་ཆ་འཕྲིན་ཇི་འདྲ་ཞིག་ཐོབ་འདོད་པ།

进而根据用户的需求
དེ་ནས་སྤྱོད་མཁན་གྱི་དགོས་མཁོ་གཞིར་བཟུང་ནས་

去建立数据仓库或者是数据集市的模型
གཞི་གྲངས་མཛོད་ཡང་ན་གཞི་གྲངས་འདུས་པའི་ཚོང་རའི་དཔེ་དབྱིབས་འཛུགས་སྐྲུན་བྱེད་དགོས།

数据仓库或者是数据集市的模型
གཞི་གྲངས་མཛོད་ཁང་ཡང་ན་གཞི་གྲངས་འདུས་པའི་ཚོང་རའི་དཔེ་དབྱིབས་ནི་

是在我们对用户的需求
ང་ཚོས་སྤྱོད་མཁན་གྱི་དགོས་མཁོ་

进行分析的基础上建立起来的
དབྱེ་ཞིབ་ཀྱི་རྨང་གཞིའི་སྟེང་དུ་འཛུགས་སྐྲུན་བྱས་པའི་

数据仓库或者是数据集市的建模
གཞི་གྲངས་མཛོད་ཁང་ཡང་ན་གཞི་གྲངས་འདུས་པའི་ཚོང་རའི་དཔེ་དབྱིབས་བཟོས་པ་ཡིན།

除了数据库的ER模型和关系之外
གཞི་གྲངས་མཛོད་ཀྱི་ERདཔེ་དབྱིབས་དང་འབྲེལ་བ་ལས་གཞན་

还包括专门针对数据仓库的维度
ད་དུང་གཞི་གྲངས་མཛོད་ཀྱི་རྩ་ཚད་

进行的建模技术
དཔེ་དབྱིབས་བཟོ་བའི་ལག་རྩལ་ལ་ཆེད་དུ་དམིགས་ཡོད་པ་ཡང་འདུས་ཡོད།

第三是对数据抽取 清洗 转换和加载
གསུམ་པ་ནི་གཞི་གྲངས་ལ་འཐེན་པ་དང་གཙང་འབུད་བྱེད་པ། བརྗེ་སྤོར་དང་ཁུར་སྣོན་ཡིན།

数据抽取是指将数据仓库或者是数据集市
གཞི་གྲངས་འཐེན་པ་ནི་གཞི་གྲངས་མཛོད་ཡང་ན་གཞི་གྲངས་འདུས་པའི་ཚོང་རར་མཁོ་བའི་

所需要的数据从各个业务当中提取出来
གཞི་གྲངས་དེ་ལས་རིགས་སོ་སོ་ནས་འཐེན་པ་ཞིག་ཡིན།

因为每一个业务系统所需要的数据质量不同
ལས་རིགས་མ་ལག་སོ་སོར་མཁོ་བའི་གཞི་གྲངས་རྒྱུ་སྤུས་མི་འདྲ་བས་

所以要对每一个数据源建立
དེ་བས་གཞི་གྲངས་ཁུངས་སོ་སོ་འཛུགས་པ་ལ་

不同的抽取的程序
བྱ་རིམ་མི་འདྲ་བ་རེ་འཐེན་དགོས།

每个数据抽取流程也都需要使用接口
གཞི་གྲངས་སོ་སོ་འཐེན་པའི་བརྒྱུད་རིམ་ཚང་མ་ལ་ཡང་མཐུད་ཁ་བཀོལ་དགོས།

将元数据传送到清洗和转换阶段
གཞི་གྲངས་རྒྱུ་གཙང་འཁྲུད་དང་བརྗེ་སྤོར་དུས་རིམ་ལ་བརྒྱུད་སྐྱེལ་བྱས་པ།

数据清洗的目的是保证抽取的原数据的质量
གཞི་གྲངས་གཙང་འཁྲུད་ཀྱི་དམིགས་ཡུལ་ནི་འཐེན་ཟིན་པའི་གཞི་གྲངས་ཁུངས་ཀྱི་རྒྱུ་སྤུས་

符合数据仓库或者是数据集市的要求
གཞི་གྲངས་མཛོད་ཁུངས་ཡང་ན་གཞི་གྲངས་ཚོང་རའི་ཆ་རྐྱེན་དང་མཚམས།

并保持数据的一致性
ད་དུང་གཞི་གྲངས་ཀྱི་གཅིག་གྱུར་རང་བཞིན་རྒྱུན་འཁྱོངས་བྱེད་པ་ཁག་ཐེག་བྱེད་པ་དེ་ཡིན།

数据转换是整个数据加载的核心部分
གཞི་གྲངས་བརྗེ་སྤོར་ནི་གཞི་གྲངས་ཡོངས་སྣོན་འཇུག་གི་ལྟེ་བའི་ཁག་ཅིག་ཡིན་ལ།

主要是对原数据进行计算和放大
གཙོ་བོ་ནི་གཞི་གྲངས་ཁུངས་ལ་རྩིས་རྒྱག་དང་ཇེ་ཆེར་གཏོང་བ་དེ་ཡིན།

数据加载是按照数据仓库
གཞི་གྲངས་ཕབ་ལེན་ནི་གཞི་གྲངས་མཛོད་

或者是数据集市模型中
ཡང་ན་གཞི་གྲངས་ཚོང་རའི་དཔེ་དབྱིབས་ཁྲོད་ཀྱི་

各个实体之间的关系
དངོས་གཟུགས་བར་གྱི་འབྲེལ་བ་སོ་སོ་གཞིར་བཟུང་ནས་

将数据加载到目标表当中
གཞི་གྲངས་དམིགས་འབེན་རེའུ་མིག་ཁྲོད་དུ་ཕབ་ལེན་བྱེད་པ་དེ་ཡིན།

最后就是去建立可视化的场景
མཇུག་མཐར་མཐོང་རུང་ཅན་གྱི་ཡུལ་ངོས་སུ་འཛུགས་སྐྲུན་བྱེད་པ་ཡིན།

建立可视化的场景
མཐོང་རུང་ཅན་གྱི་ཡུལ་ངོས་འཛུགས་སྐྲུན་ནི་

是对数据仓库或者是数据集市当中的数据
གཞི་གྲངས་མཛོད་ཁུངས་ཡང་ན་གཞི་གྲངས་ཚོང་རའི་ཁྲོད་ཀྱི་གཞི་གྲངས་ལ་

进行分析处理的成果
སྒྲིག་གཅོད་ཀྱི་འབྲས་བུ་ལ་དབྱེ་ཞིབ་བྱེད་པ་དེ་ཡིན།

用户能够借助各个角度
སྤྱོད་མཁན་གྱིས་ཟུར་སོ་སོ་ནས་

来查看企业 单位的运营状况
ཁེ་ལས་དང་ལས་ཁང་གི་གཉེར་སྐྱོང་གནས་ཚུལ་ལ་བལྟ།

按照不同的主题和方式
བརྗོད་བྱ་གཙོ་བོ་དང་ཐབས་མི་འདྲ་བ་ལ་བསྟེན་ནས་

探查企业的内容核心数据
ཁེ་ལས་ཀྱི་ལྟེ་བའི་གཞི་གྲངས་ཀྱི་ནང་དོན་ལ་བལྟ་ཞིབ་བྱེད།

从而作出更精准的预测和判断
དེ་དང་བསྟུན་ནས་སྔོན་དཔག་དང་བརྡར་གཅོད་སྔར་ལས་ལྷག་པའི་གནད་ལ་འཁེལ་བར་བྱེད།

以上就是今天我们所学习的
གོང་གི་འདི་དག་ནི་དེ་རིང་ང་ཚོས་བསླབས་པའི་

大数据分析的基础知识
གཞི་གྲངས་ཆེན་པོའི་དབྱེ་ཞིབ་ཀྱི་རྨང་གཞིའི་ཤེས་བྱ་ཡིན།

若要更好的去掌握大数据的分析基础
གལ་ཏེ་སྔར་ལས་ལྷག་པའི་སྒོ་ནས་གཞི་གྲངས་ཆེན་པོའི་དབྱེ་ཞིབ་རྨང་གཞི་ཁོང་དུ་ཆུད་པར་བྱེད་དགོས་ན།

就需要从以上四个方面展开详细的
གོང་གི་ཕྱོགས་བཞི་ནས་ཞིབ་ཕྲའི་

更进一步的学习
ངང་སློབ་སྦྱོང་བྱེད་དགོས།

今天我们的介绍到此（结束）
དེ་རིང་ང་ཚོའི་ངོ་སྤྲོད་འདི་ནས་མཚམས་འཇོག