这个女人不简单,解决了大数据重大问题

ClearStoryData是一家由经验丰富的创始人建立的大数据公司,它利用Google的技术帮助公司整合并利用来自多个系统的大量数据,解决大数据分析难题。

这个女人不简单,解决了大数据重大问题ClearStory Data是一家大数据创业公司,这家公司,不论技术,创始人还是风险投资发方,实力不可小觑。

ClearStory Data利用Google技术帮助公司利用好已经存于许多不同系统上的大量数据,让公司以一种新的眼光看待之前被忽略的数据,解决了大多数人抱怨的大数据问题。

其创始人兼CEO就是Sharmila Shahani-Muligan。她创办的第一家创业公司Kiva Software在1997年被被网景公司以1.8亿美金收购。

后来在Opsware与浏览器之父 Marc Andreessen共事,之后惠普亿16亿美金收购Opsware,Sharmila也暂留惠普。随后又进入去年Teradata花2.63亿美金买下的Aster Systems,期间曾担任其它创业公司的顾问及投资人。

之所以创立ClearStory Data,是因为在Aster的时候,Sharmila及联合创始人JohnCieslewicz , Vaibhav Nivargi经常听到客户抱怨大数据问题——如何挖掘公司已经拥有的大量数据?

在Hadoop上,有个有趣的现象,许多人下载这个软件却无法使用,因为安装太过复杂。

用户需要的是简单的操作方法,而不是在使用时只能靠自己在不同的地方搜索数据找出答案,比如分别在Hadoop,Aster,Legacy系统及Web上寻找答案。

为了解决这个问题,ClearStory Data就诞生了,软件利用Google的MapReduce技术,能运行任何网站的任何问题,然后将答案以一种可视化的具有美感的报告展示出来,无需用户在数据海洋中大海捞针。

Google Ventures投资人Karim Faris说到:

“企业已经搜集了大量数据,但它们从未想过重新审视这些数据,因为要从中提炼出有用的东西会耗费大量精力。当我知道知道数据通常被忽略或被丢弃的时候,非常震惊,其实这里边隐藏了太多财富,最经典的例子就是星巴克将销量与天气联系。”

像ClearStory Data这样的工具就能将变“废”为宝。Faris没有说他认为ClearStory是多么大的一个公司,但他说,Google Ventures只会投资有潜力变大的公司,成为独立上市公司的企业。

ClearStory的其他投资人包括 Andreessen Horowitz, Khosla Ventures以及个人投资方。

 

Via BI

annie 供雷锋网专稿,转载请注明!)
下载方式:https://pan.quark.cn/s/a4b39357ea24 在纺织制造领域中,纱线的品质水平对最终制成品的整体质量具有决定性作用。 鉴于消费者对于产品规格和样式要求的不断变化,纺织制造工艺的执行过程日益呈现为一种更为复杂的操作体系,进而导致对纱线质量进行预测的任务变得更加困难。 在众多预测技术中,传统的预测手段在面对多变量间相互交织的复杂关系时,往往显得力不从心。 因此,智能计算技术在预测纱线质量的应用场景中逐渐占据核心地位,其中人工神经网络凭借其卓越的非线性映射特性以及自适应学习机制,成为了众多预测方法中的一种重要选择。 在智能计算技术的范畴内,粒子群优化算法(PSO)和反向传播神经网络(BP神经网络)是两种被广泛采用的技术方案。 粒子群优化算法是一种基于群体智能理念的优化技术,它通过模拟鸟类的群体觅食行为来寻求最优解,该算法因其操作简便、执行高效以及具备优秀的全局搜索性能,在函数优化、神经网络训练等多个领域得到了普遍应用。 反向传播神经网络则是一种由多层节点构成的前馈神经网络,它通过误差反向传播的机制来实现网络权重和阈值的动态调整,从而达成学习与预测的目标。 在实际操作层面,反向传播神经网络因其架构设计简洁、实现过程便捷,因此被广泛部署于各类预测和分类任务之中。 然而,该方法也存在一些固有的局限性,例如容易陷入局部最优状态、网络收敛过程缓慢等问题。 而粒子群优化算法在参与神经网络优化时,能够显著增强神经网络的全局搜索性能并提升收敛速度,有效规避神经网络陷入局部最优的困境。 将粒子群优化算法与反向传播神经网络相结合形成的PSO-BP神经网络,通过运用粒子群优化算法对反向传播神经网络的权值和阈值进行精细化调整,能够在预测纱线断裂强度方面,显著提升预测结果的...
植物实例分割数据集 一、基础信息 数据集名称:植物实例分割数据集 图片数量: - 训练集:9,600张图片 - 验证集:913张图片 - 测试集:455张图片 总计:10,968张图片 分类类别:59个类别,对应数字标签0至58,涵盖多种植物状态或特征。 标注格式:YOLO格式,适用于实例分割任务,包含多边形标注点。 数据格式:图像文件,来源于植物图像数据库,适用于计算机视觉任务。 二、适用场景 • 农业植物监测AI系统开发:数据集支持实例分割任务,帮助构建能够自动识别植物特定区域并分类的AI模型,辅助农业专家进行精准监测和分析。 • 智能农业应用研发:集成至农业管理平台,提供实时植物状态识别功能,为作物健康管理和优化种植提供数据支持。 • 学术研究与农业创新:支持植物科学与人工智能交叉领域的研究,助力发表高水平农业AI论文。 • 农业教育与培训:数据集可用于农业院校或培训机构,作为学生学习植物图像分析和实例分割技术的重要资源。 三、数据集优势 • 精准标注与多样性:标注采用YOLO格式,确保分割区域定位精确;包含59个类别,覆盖多种植物状态,具有高度多样性。 • 数据量丰富:拥有超过10,000张图像,大规模数据支持模型充分学习和泛化。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO、Mask R-CNN等),可直接用于实例分割任务,并可能扩展到目标检测或分类等任务。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值