大資料和智慧沒有什麼關係，很多時候大資料的問題在演算法上都是很簡單的，只是因為資料裡面有這些資訊，所以可以回答。

比如推薦，也就是看看你喜歡了ABC，那麼找1W同樣喜歡ABC的人發現其中8K個還喜歡D，然後就把D推薦給你。你覺得這個演算法說白了有什麼智慧的成分嗎？

如果你要冒出一個新創意，那麼大資料根本做不到。

首先沒準確理解這個問題所想要表達的意思；如果是從業轉換的話，這個問題涉及到從工程到科研的跨度，工程重要的是體系架構設計，科研關注的是數學模型，需要紮實的理論基礎；如果是探討資料和智慧的關係，可以說現在的人工智慧都是資料驅動的，通俗說就是從資料中學習規律，資料越多就越能學習到複雜規律，比如深度學習，資料就是認知環境，當然大資料的外延太廣，不是隨便的資料都能拿來作為學習，無論監督還是非監督。

這麼說吧，如果說人工智慧是一顆參天大樹，那麼大資料就是這顆大樹的根，是它的基礎。樹根的粗細，直接影響到大樹的生長質量。

近年來人工智慧的火爆，也是得益於大資料的豐富、網際網路技術的進步。

回到正題，大資料的本質是海量的、多維度、多形式的資料。無論是機器人視覺、語音識別、線上翻譯、相機美顏等；都需要大資料去訓練。對的，是訓練，就好像是訓練小貓小狗。雖然在機器的模式中只有“0”和“1”，但透過深度學習與大資料的運用，人工智慧就可以對事物的發展趨勢做出一定的預判。

這麼來比喻吧，如果把大資料比作燃料，那麼人工智慧就是燃油機了。

不同功率的燃油機的發力不同，好的演算法就是大功率的燃油機，有更快的速度和機動性。而做資料的人肯定知道，如果（大）資料足夠純粹，冗餘少，那麼這個資料分析起來解釋性強且具有說服力。

在大資料領域和人工智慧領域中，其實是互相交錯的，很難說互不涉及，特別是現在這個動不動就“大”資料的時代，資料量大和AI已經成為標配，所以說轉行還不如進一步學習人工智慧部分知識。

至於怎麼學習人工智慧，我這裡有一份可供參考的指南。如果你想把機器學習更靈活的應用於日常工作，學習一些基礎理論還是很有好處的，而且你並不需要完全弄懂。下面有幾個學習機器學習理論的理由。

（1）規劃和資料採集

資料採集真是一個昂貴和耗時的過程！那麼我需要採集哪些型別的資料？根據模型的不同，我需要多少資料？這個挑戰是否可行？

（2）資料假設和預處理

不同的演算法對資料輸入有不同的假設，那我應該如何預處理我的資料？我應該正則化嗎？假如我的模型缺少一些資料，它還穩定嗎？離群值怎麼處理？

（3）解釋模型結果

簡單的認為機器學習是一個“黑盒子”的概念是錯誤的。是的，並不是所有的結果都直接可以解釋，但你需要診斷自己的模型然後改善它們。我要怎麼評估模型是過擬合還是欠擬合？我要向業務利益相關者怎麼解釋這些結果？以及模型還有多少的改善空間？

（4）改進和調整模型

你的第一次訓練很少會達到最佳模式，你需要了解不同的調參和正則化方法的細微差別。如果我的模型是過擬合了，我該如何補救？我應該花更多時間在特徵工程上，還是資料採集上？我可以組合我的模型嗎？

（5）驅動商業價值

機器學習從來不會在真空中完成。如果你不瞭解武器庫中的工具，就無法最大化發揮它們的效能。在這麼多結果指標中，哪些是最佳化的參考指標？哪個更為重要？或者還有其他的演算法會表現更好嗎？

帶著這些問題，參考以下教材，你就可以很輕鬆地入門人工智慧。

《深度學習》

http://download.csdn.net/download/zx2fzx2f/10024228

《機器學習》（周志華 著）

http://download.csdn.net/download/cser04/400323

《Spark機器學習》

http://download.csdn.net/download/yang198907/9838919