2020.06
大数据是一个以数据为核心的产业，是一个围绕大数据生命周期不断循环往复的生产过程，同时也是由多种行业分工和协同配合而产生的一个复合性极高的行业，是近几年来一直非常火的一个名词。随着大数据的高速发展，人工智能迎来了春天，作为人工智能发展的核心动力，深度学习引起了学术界的广泛关注。深度学习是机器学习的一个新领域，得益于海量数据，网络能学习出各种复杂的特征。深度学习是人工智能的一种具有代表性的实现方法。深度学习是重叠了很多层的隐藏层的神经网络，这样的神经网络使隐藏层具有一定的结构，从而更加有效地进行学习。深度学习的出现为机器学习和人工智能领域带来了新的机会和希望，极大地拓展了人们对于计算机人工智能的想象力和应用的范畴，使很多的计算辅助功能成为可能。深度学习已经不仅仅是计算机科学领域的问题，它结合了神经科学和逻辑学科的知识，涉及众多跨学科领域的知识交叉。当前，最新的深度学习模型已经远远超越了传统的机器学习算法，在数据的预测准确性和分类精度上都达到了前所未有的高度，深度学习的表征功能不需要工程师手动提取数据中的隐含特征，而是自动地深度挖掘数据并提取数据中隐含的高维特征。因此，有必要构建一个大数据技术下的深度学习模型，将大数据技术融入深度学习，有助于实时掌握学习者学习状态，实
现学情数据的可视化与精准预测，帮助教师与学习者实现自动反馈，对提高学习者的学习效果有着十分重要的作用。
1大数据技术
大数据的价值体现在对大规模数据集合的智能处理南京市人力资源和社会保障局
并获取有用信息，大数据技术可实现将隐藏于海量数据中的有用信息挖掘出来，为用户提供参考和使用。大数据技术的核心是数据分析，数据分析得到的结果可应用
于大数据相关的各个领域。大数据技术可分为整体技术和关键技术两个方面，其中，整体技术主要包括数据采集、大数据存取、基础架构和数据处理、统计分析、数据挖掘、模型预测及结果呈现等，关键技术主要包括大数据采集技术、大数据预处理技术、大数据存储及管理技术、开发大数据安全技术、大数据分析及挖掘技术以及大数据展现与应用技术等。大数据采集及预处理常用的工具主要有Flume、Logstash 和Kibana、Ceilometer 和Zipkin 等，大数据采集技术重点是要突破分布式高速可靠性数据采集和高速数据全映像等大数据收集技术，大申论答题正确格式图
数据预处理技术主要完成对已接受数据的辨析和抽取以及清洗等操作，大数据存储与管理技术重点解决复杂结构化和非结构化大数据管理与处理技术，主要解决大数据的可存储和可表示以及可处理等关
键问题，大数据分析及挖掘技术改进已有数据挖掘和机器学习技术，开发数据网络挖掘和特异组等新型数据挖掘技术，突破基于对象的数据连接和相似性连接等大数据融合技术及用户分析、网络行为分析等面向领域的大数据挖掘技术。2深度学习模型
深度学习(Deep Learning,DL)的概念源于人工神
经网络的研究，含多隐层的多层感知器(MLP)就是一种深度学习结构[1]。从表示方面，深度学习是可以通过将单层的训练模块堆叠在一起，构建一种深层的结构。
深度学习通过一种深层的非线性网络实现对复杂函数的无线逼近，解决浅层学习在有限量的样本和计算单元的基金项目：贵州省本科教学内容和课程体系改革项目资助(项目编号:2018520131)。
163贵州国企招聘信息作者简介：龙虎(1979-)，男，副教授，研究方向：大数据分析与可视化、数字媒体技术。
贵州最新招聘100条>华图人事考试网大数据技术下的深度学习模型构建研究
龙虎，李娜
（凯里学院，贵州凯里556011）
安徽省中小学教师资格考试网摘
要：大数据背景下，深度学习是机器学习的一个重要分支，是神经网络方法中的一个子集，深度学习的发展需要大数据技术的支撑。在梳理大数据技术概念的基础上，对深度学习模型进行了阐述，给出了大数据技术下的深度学习模型，并对大数据时代背景下的深度学习未来研究方向进行了展望。关键词：大数据技术；深度学习模型；构建
76