科技大数据：如何利用科普信息来更好地理解技术

Posted 2023-04-05 citytour

科技在不断的发展，我们的生活方式也在不断地改变。从最初的人工智能到现在的云计算、大数据等，科技的发展已经成为了我们日常生活中不可或缺的一部分。然而，对于大多数人来说，这些新兴技术可能是非常难以理解的。因此，科普信息的传播和普及变得越来越重要，这不仅可以让人们更好地了解和使用科技，还可以帮助企业更好地推广自己的产品和服务。

一、科普信息的定义和作用

科普信息是指将科学知识和技术知识转化为易于理解和接受的信息，以便广大公众更好地了解和使用科技。科普信息的作用不仅在于传播知识，还在于帮助公众更好地适应和应用新兴技术，提高社会的科技素质和文化水平。

二、科普信息的来源和传播渠道

科普信息的来源主要包括科普机构、科普作家、科技公司、科技媒体等。这些机构和人员会通过各种形式的科普活动、科普书籍、科技新闻、科技博客等传播科普信息。

科普信息的传播渠道主要包括传统媒体和新媒体。传统媒体包括电视、广播、报纸等，而新媒体包括网络、微信公众号、短视频等。随着互联网的发展，新媒体成为了传播科普信息的重要渠道。通过新媒体，科普信息可以更快速、更广泛地传播，同时也可以更好地与读者互动和反馈。

三、如何利用科普信息来更好地理解技术

关注科技媒体和科技博客

科技媒体和科技博客是了解科技最快捷的途径。这些媒体和博客通常会发布最新的科技新闻和科技趋势，可以让读者更好地了解科技的发展方向和最新技术的应用。

参加科普活动和科普讲座

科普活动和科普讲座是了解科技最生动的方式。通过参加这些活动和讲座，读者可以直接与科普专家和科技从业者互动，了解科技的应用和发展趋势，同时也可以提出问题和疑惑，获得专业的解答和指导。

阅读科普书籍和科技百科

科普书籍和科技百科是了解科技最系统的方式。通过阅读这些书籍和百科，读者可以深入了解科技的知识体系和技术原理，同时也可以了解科技的应用和发展历程。

参与在线科普平台

在线科普平台是了解科技最互动的方式。通过参与在线科普平台，读者可以与其他读者交流和分享科技知识，同时也可以获得专业的解答和指导。

四、科普信息在企业推广中的重要性

科普信息在企业推广中具有重要的作用。一方面，科普信息可以帮助企业更好地推广自己的产品和服务，让公众更好地了解和认识企业的产品和服务；另一方面，科普信息也可以帮助企业更好地了解和应用新兴技术，提高企业的科技水平和竞争力。

科普信息的传播和普及对于我们更好地了解和应用科技具有重要的意义。通过关注科技媒体和科技博客、参加科普活动和科普讲座、阅读科普书籍和科技百科、参与在线科普平台等方式，我们可以更好地了解和应用科技，提高我们的科技素质和文化水平。同时，企业也应该重视科普信息的传播和应用，通过科普信息的推广和应用，提高企业的科技水平和竞争力。

本文来源：http://www.gkzdhsc.com/lm-3/lm-1/33128.html

利用奇异值分解SVD给大数据降维

参考技术A

大数据定义
数据被定义为过于巨大的数据集合，以至于变得难以使用传统技术来处理。大数据的大体现在三个方面：

使用如此之多的维度进行工作的复杂性驱动了各种各样的数据技术的需求来过滤信息，让数据看起来能更好的解决问题。过滤器通过移除高纬度数据集中的冗余信息来降低维度。

我们可以把将为理解为对数据的信息压缩，类似于压缩1000 1000的图像到64 64分辨率，同样也是能够理解图片的意思的。

在大数据降维的核心算法SVD，我们称之为奇异值分解。SVD的公式是：

这个公式的含义是，原始数据矩阵M被分解为三个矩阵的乘积。

最关键的是要理解s所代表的意思，比如s所有元素的和事100，s的第一个值是99，这就意味99%的信息储存在了U和Vh的第一列中。因此你可以愉快的抛弃第一列之后的所有剩余列，而又不会丢失数据的重要信息，只丢失了1%的信息，对数据来说并不太重要。

这个例子中需要降维的数据M，包含4个样例，每个样例包括3个特征值。下面我们就使用linalg模块的svd函数，进行分解矩阵：

通过s里的值可以看出第一列包含了大部分信息（超过80%）。第二列有些值（大约14%），第三列则包含了参与的信息。

当然svd公式是可逆的，就是分解出来的这三个矩阵还能通过点乘还原原始的矩阵。注意，矩阵s实际上是对角矩阵，还原的时候要使用对角矩阵参与运算。

可以看出还原之后的back_M和之前的M矩阵是一样的。

SVD输出的三个矩阵入手，想办法去除第三列的内容。U取U[:,:2]，变成(4,2),s取s[:2]，变成了(2,)，Vh取Vh[:2,:]，变成了(2,3)

可以看出即使丢失最后一列的数值，还原之后和过去相比有一些差别，但是并不是很大。也是就是说可以用更少的维度取保存过去的值。

看到这里你可能都有点疑惑，到底是哪里降维了呢？从过去的(4,3)矩阵，变成现在三个矩阵(4,3)(3,)(3,3)，不但维度没有降，而且还增加一些数据。
假如说我们忽略最后一列的信息，变成三个矩阵(4,1),(1,),(1,3)，从过去的4x3=12个数字，变成现在的4+1+3个数字，确实是降了。但是我们应该如何利用这三个矩阵参与机器学习中呢？