【数据科学家】如何从零开始学习成为一个数据科学家？

如何从零开始学习成为一个数据科学家？

作者：Harrison Jansma

机器之心编译

参与：李诗萌、Chita

当你干着一份并不喜欢且薪资又低的工作时，是否想要做出改变？本文作者曾在日托中心上班，却从零开始自学了数据科学，并已经小有成就。本文是他关于自学数据科学的一些参考建议，有志者不妨一读？

去年，我自学了数据科学，搜集了几百个在线资源，每天学 6～8 个小时。与此同时，我白天还在日托中心上班，拿着最低的薪资水平。

尽管我资金不足，但我的目标是从事自己热爱的职业。

因此，我在过去几个月中取得了一些成就。我发布了自己的网站，主流的在线数据科学网站 KDnuggets 也对我进行了报道，我还在极具竞争力的计算机科学研究生课程中获得了奖学金。

网站地址：https://harrisonjansma.com/

我在本文中提供了一些指导和建议，以便你自行学习数据科学课程。我还提供了一些参考工具，希望能给想要学习的人一些帮助，让他们可以在数据科学领域中从事更有激情的职业。

快速说明：

我说的「数据科学」，指的是将数据转化为现实行为的工具集合，包括机器学习、数据库技术、统计、编程以及特定领域的技术。

开启学习之旅的一些资源

互联网上乱七八糟混乱一片。要从中学习就像是从消防水带的末端喝水一样。

有一些更简单的替代方法可以为你从中理出头绪。

像 Dataquest、DataCamp 和 Udacity 这样的网站会教你一些数据科学的技巧。这些网站每一个都创建了一个教育计划，以便你按主题学习，而你几乎不用做什么课程计划。

问题在于这些网站都付费不低，而且它们无法教你如何在工作环境中应用这些概念，而且它们也会妨碍你继续探索自己的兴趣和激情所在。

而像 edX 和 coursera 这样的替代品则无需付费，它们会提供关于某个特定话题的一次性课程。如果你可以在视频环境或课堂环境中好好学习的话，这些都是学习数据科学的绝佳方法。

你可以从第一个网址中获得一些数据科学课程，也可以从 David Venturi 的博客或 Open Source DS Master 上找到一些免费的课程。

• 地址：https://www.class-central.com/subject/data-science 

• David Venturi：https://medium.com/@davidventuri/i-dropped-out-of-school-to-create-my-own-data-science-master-s-here-s-my-curriculum-1b400dcee412

• Open Source DS Master：http://datasciencemasters.org/

如果你只需要阅读就可以学得不错的话，推荐你看《Data Science From Scratch》。这本书是一个完整的学习方案，可以作为在线资源的补充。你可以在线免费获取这本书的 pdf 版，也可以在 Amazon 上买到纸质版。

在线 PDF：http://math.ecnu.edu.cn/~lfzhou/seminar/[Joel_Grus]_Data_Science_from_Scratch_First_Princ.pdf

这只是一小部分学习数据科学的免费资源，还有更多。为了更好地理解你在学习中需要获取的技能，我将在下文详细叙述更广泛的学习指南。这些内容不仅仅是课程列表或者书单，而是一些更加高级的内容。

课程指南

数据科学课程指南

Python 编程

编程是数据科学的基本技能。熟悉 Python 的语法，了解如何用不同的方式（Jupyter botebook、命令行以及 IDE）运行 Python 程序。

我花了大概一个月的时间复习 Python 文档、Hitchhiker 的 Python 指南以及 CodeSignal 上的代码问题。

• Python 文档：https://docs.python.org/3/tutorial/

• Hitchhiker 的 Python 指南：https://docs.python-guide.org/intro/learning/

• CodeSignal：https://codesignal.com/

提示：留意程序员解决问题的常用技巧（即「算法」）。

统计&线性代数

这是机器学习和数据分析的先决条件。如果你已经对此有了充分的了解，那么请用一到两周复习一下重点概念。

尤其要注意描述性统计。理解统计数据是一项非常重要的技能。

Numpy、Pandas&Matplotlib

学习如何加载、操作和可视化数据。掌握这些库对你的个人项目而言至关重要。

快速提示：你无需记住每种方法或每个函数的名字，记住这些东西需要实践。忘了的话 Google 一下好了。

浏览以下三个文档：

• Pandas 文档：http://pandas.pydata.org/pandas-docs/stable/

• Numpy 文档：https://docs.scipy.org/doc/numpy/user/index.html

• Matplotlib 教程：https://matplotlib.org/tutorials/index.html

记住，实践出真知！

机器学习

学习机器学习算法的理论和应用。然后将所学的概念用到现实世界中你关心的数据上。

大多数初学者是从处理 UCI ML Repository 中的小数据集开始的。他们对这些数据进行处理，并在这些数据上实践 ML 教程。

Scikit-learn 文档中有一些关于常用算法应用的优秀教程。我还发现一个不错的 podcast 教学资源，是关于 ML 背后的理论。你可以在锻炼的时候或者上下班途中收听。

地址：http://ocdevel.com/mlg

生产系统

工作意味着能够获取真实世界的数据并对其进行分析。为此你需要学习如何使用商业计算资源，来获取、转化以及处理数据。

AWS、Google Cloud 以及 Microsoft Azure

这是数据科学课程中教的最少的部分，因为你要用的特定工具主要取决于你日后要进入的行业。但数据库操作是一项必需的技能。你可以在 ModeAnalytics 或 Codecademy 上学会用代码操作数据库。你还可以在 DigitalOcean 上实现你自己的数据库。

另一个常用技能是版本控制。你可以创建 GitHub 账户，每天使用命令行提交代码，轻松获取这项技能。在学习其它技能时，一定要考虑到自己的兴趣和激情。举个例子，如果你对 web 开发感兴趣，那么就要看一下这个行业中的公司所使用的工具。

执行课程的建议

1. 你获取概念的速度要比你学习概念的速度更快

事实上，有成千上万的网页和论坛在解释常用数据科学工具的用法。因此在线学习时很容易转移注意力。当你开始研究某个主题时，要将自己的目的牢记于心。如果你没有记住的话，你可能会被任何抓人眼球的内容吸引过去。

解决方案：建一个收藏夹把你感兴趣的网页资源都存起来。这样你可以晚点再看保存好的材料，先将注意力集中在你现在关心的主题上。

如果你这么做了，你就会得到一个有序的学习路径，它会告诉你你应该关注什么内容。注意，当你探索感兴趣的新主题时，你的阅读列表会很快增长到数百个之多。别急，请看第二条建议。

2. 别担心，这是一场马拉松，而不是一段冲刺

 

如果你想在数据科学领域取得成功，就要把学习视为一个贯穿整个生命的过程。

要记住，学习的过程就是你所获得的奖励。

在整个学习过程中，你将探索自己的兴趣点，并发现更多驱动你学习的东西。学得越多，你从中获得的愉悦感就更多。

3. 学习->应用->重复

不要只是学习一个概念，然后就转向下一件事。学习过程直到你将其应用到真实世界中才停止。

不是每个概念都要在你的研究中占有一席之地。重要的是要坚持下去，要记得你在学习，这样你才会对这个世界产生影响。

4. 建一个作品集，它可以告诉别人你值得信任。

谈到作品集，怀疑主义是你在学习数据科学时面临的最大困境之一。这种怀疑可能来自于他人，也可能来自你自己。你的作品集是向世界表示你有能力并对自己的能力充满信心的一种方式。

因此，在研究数据科学时，建一个作品集是你要做的最重要的事。一个好的作品集可以带给你一份不错的工作，并让你成为更自信的数据科学家。

你从零开始构建了自己的 web 应用程序吗？建立了自己的 IMDB 数据库吗？撰写过有趣的医疗保健数据分析吗？将它们放到你的作品集中去吧。

注意，写入的东西要可读性强、很好地记录了代码，作品集本身也要看起来不错。

这是我的作品集。公开作品集的简便方法是创建一个 GitHub 库，这个库中要有很好的 ReadMe（总结页）以及相关的项目文件。

GitHub 作品集要既美观又简单。想要更高级的作品集的话，请查看 GitHub-IO 来托管你的免费网站（示例：https://alexisbcook.github.io/#blog）

5. 数据科学 + _______ = 富有激情的职业

数据科学是旨在改变世界的工具集合。有一些数据科学家构建了计算机可视化系统来诊断医学图像，还有一些数据科学家遍历了数十亿的数据来找到网站用户偏好的行为模式。

数据科学的应用是永无止境的，这也是为什么找到自己感兴趣的应用领域很重要。如果你找到感兴趣的主题，就会更投入地做出很好的项目。所以，学习的时候，要注意那些让你感到兴奋的项目或想法。

一旦你花时间学习了，试着将点连接起来。找出令你着迷的项目之间的相似之处，然后花一些时间研究一下涉及到这类项目的行业。一旦找到了感兴趣的行业，可以把获得该行业所需的技能和专业知识作为你的目标。

如果你能做到这一点，你就已经准备好将在学习上的辛勤努力转变为充满激情和成功的事业了。

总结

如果你喜欢发现世界，如果你为人工智能着迷不已，无论你现在的处境如何，你都可以投身于数据科学行业。

为了激励你的学习之旅，你要坚持不懈，还要自律。如果你是那种可以促进自己提升的人，你就可以自己掌握这些技能。毕竟，这就是数据科学家的意义所在。好奇、自我推动、并热衷于寻找答案。

原文地址：https://towardsdatascience.com/how-to-learn-data-science-if-youre-broke-7ecc408b53c7

---

从苹果店员到机器学习工程师：学习AI，我是这样起步的

                        

选自HackerNoon

作者：Daniel Bourke 

机器之心编译

参与：路、张倩、王淑婷

机器学习工程师的职位并不只是为 AI 博士准备的：通过网络上公开的课程和视频，人们可以学习人工智能领域的基础知识、培养写代码的能力，最终找到 AI 领域的相关工作——只要你不轻言放弃。本文中，这位名为 Daniel Bourke 的小哥介绍了自己从零开始的心路历程。

我曾经在苹果商店工作，我想要改变，那么就从自己服务的技术入手吧。我开始学习机器学习和人工智能——这个领域非常热门，每一周，谷歌、Facebook 这样的科技公司都在推出新的 AI 技术，不断改善我们的体验。

现在也有数不清的自动驾驶汽车公司，虽然这项技术很好，但我并不喜欢驾驶，而且道路很危险。

即使看到了今天正在发生的一切，我们仍然无法给出「人工智能」一词的明确定义。一些人认为深度学习可以被称为 AI；另一些人则认为除非完全通过图灵测试，否则就不算 AI。缺乏定义这一问题确实给我入门人工智能前期造成了很多麻烦，如果你在学的东西有很多种不同的定义，那么学习它真的很难起步。

所以我们先抛开定义。

我是如何起步的？

我和朋友想创建一家互联网创业公司，结果失败了。我们觉得做这件事没有意义，所以就放弃了。但在这个过程中，我对 ML 和 AI 的了解越来越多。

「计算机可以为人类学习？」我觉得不可思议。

我偶然发现了优达学城（Udacity）的深度学习纳米学位。宣传片里有一个名叫 Siraj Raval 的有趣角色。他活力四射，非常具有感染力。尽管没有达到基本要求（我一行 Python 代码都没写过），我还是选择了注册。

距开课还有三周时间时，我给优达学城发了邮件，询问退款相关事宜，因为我担心自己无法完成课程。

我没有拿到退款，因为我在指定时间内完成了整个课程。课很难，有时非常难。我的前两个项目迟了四天才交上。但涉猎世界上最重要的技术带来的兴奋驱使我继续走下去。

拿到深度学习纳米学位之后，我就能继续攻读优达学城的 AI、自动驾驶汽车或机器人学纳米学位。这些都是很好的选择。

我感觉有点迷茫。「接下来要做什么呢？」

我需要一个课程表。深度学习纳米学位为我打下了一点基础，现在是时候构思下一步了。

我自己创建的 AI 硕士学位

我不打算回大学继续读书，毕竟我没有 10 万美元读完硕士课程。所以我和以前一样，向我的「导师」——谷歌求助。

我在事先对该领域没有任何先验知识的情况下，开始钻研深度学习。我不是奋力攀爬至 AI 这座冰山的顶上的，而是乘坐直升机飞上去的。

在研究了一系列课程之后，我在 Trello 上列出了最感兴趣的课程。

Trello 是我的个人助理/课程协调员

我知道在线课程的辍学率很高，我不想成为其中的一份子。我有一个使命。

为此，我开始在网上分享学习经历。这样我能在网上找到其他志同道合的人，并与之交流。当我进行 AI 冒险之旅时，我的朋友们都认为我疯了。

我公开了我的 Trello board，并写了一篇关于自己奋斗历程的博客。

自从我第一次写了自己的经历以后，课程略有变化，但仍然相关。我每周会查看几次 Trello board，以跟踪自己的进度。

找份工作

我买了一张去美国的单程机票。我已经学习了一年，现在是时候学以致用了。

我的计划是飞到美国并找份工作。

然后 Ashlee 在领英上给我发消息说，「你好，我看过你的博客了，非常好，我觉得你应该去见见 Mike。」

于是我见了 Mike。

我告诉他我在线自学的经历、我有多热爱医疗技术，以及我计划去美国。

「你最好在这里待上一年左右，看看自己能找到什么，你可以去见 Cameron。」

我见到了 Cameron。

我和他的对话与和 Mike 的差不多，关于医疗、技术、在线学习、美国。

「我们正在研究一些医疗问题，你可以周四过来看看。」

周四到了，我有点紧张。但有人曾告诉过我，紧张和兴奋是一样的，然后我开始变得兴奋。

那天我见到了 Max Kelsen 团队，了解了他们正在研究的问题。

两周后，首席执行官 Nick、首席机器学习工程师 Athon 和我去喝咖啡。

Nick 问我：「你要不要加入我们团队？」

我说：「好啊」。

然后我的美国之旅推迟了几个月，现在我还有了返程票。

分享你的工作

我知道在线学习是非常规的。我申请的所有职位都有硕士或某种技术学位的要求。

而我什么都没有。但我确实从许多在线课程中学到了同样的技能。

其间我在网上分享自己的工作。我的 GitHub 里存了我做过的所有项目，我的领英资料非常丰富。此外，我还练习了在 YouTube 和 Medium 上学到的沟通技巧。

我从没有向 Max Kelsen 投过简历。「我们在领英上发现了你。」

我存的那些工作就是我的简历。

无论你是在线学习还是去读硕士学位，将你做过的工作打包呈现给别人都是一种在游戏中创建皮肤的良好方式。

ML 和 AI 技能很抢手，但这不表示你不需要将它们展示出来。如果没有货架空间，再好的产品也卖不出去。

这个「货架」可以是 GitHub、Kaggle、领英或博客，要找一个别人可以发现你的地方。再者，在互联网上拥有一个自己的角落也很有意思。

如何开始？

去哪儿学习这些技能？哪些课程最好？

没有最佳答案。每个人要走的路都不同。有些人通过书本学习效果很好，而有些人通过视频学习会更好。

比如何开始更重要的是你为什么要开始？

先问问自己为什么。

• 为什么你想学习这些技能？

• 你是想通过这些来赚钱吗？

• 还是想构建一些东西？

• 还是想有所作为？

仍然没有最佳答案。每个人的答案对自己来说都很重要。

先问清楚为什么，因为它比怎么做更重要。弄清楚为什么意味着，当你学习遇到困难时（一定会遇到的），这些答案能帮你撑过去。它们会提醒你为什么走上这条路。

了解了「为什么」？很好，现在学习一些比较难的技能吧。

我只能推荐一些自己尝试过的东西。

我按顺序完成了以下课程：

• Treehouse：Python 介绍

• Udacity：深度学习&AI 纳米学位

• Coursera：吴恩达的深度学习课程

• fast.ai：目前还在 part1，很快进入 part2

这些课程都是世界级的。我是视频学习者，通过看这些东西的出现过程和解说，我能学得更好。所有这些课程都是这样的。

如果你完全是一个新手，可以从介绍 Python 的课程开始看，当你有了更多信心之后，可以向数据科学、机器学习和 AI 进军了。

需要多少数学知识？

我最多只学到高中数学。其它知识都是通过可汗学院学习的。

投身机器学习和人工智能需要多少数学知识因人而异，下面是我的选择。

如果你想应用机器学习和 AI 技术来解决某个问题，那么你不必深入了解数学也能取得好的结果。TensorFlow 和 PyTorch 等库使仅具备一点 Python 经验的人也能构建当前最优的模型，而数学知识藏在幕后。

如果你想通过博士项目或者其它类似的项目来深入机器学习和 AI 研究，那么你需要具备深厚的数学知识。

就我本人而言，我不打算深入学习数学，留给比我聪明的人学吧～使用 TensorFlow 和 PyTorch 等库来解决问题，我觉得更开心～

机器学习工程师做什么？

机器学习工程师真正做的事情可能和你想的并不相同。

尽管很多在线文章的封面照片中有红眼睛的机器人，但这不代表你会研究机器人。

以下是机器学习工程师每天都要问自己的一些问题：

• 语境：如何利用机器学习帮助自己了解问题？

• 数据：是否需要更多数据？数据应该是什么格式？如果数据丢失，你要怎么做？

• 建模：应该使用哪个模型？该模型是否过于适应数据（过拟合）？或者为什么模型无法很好地适应数据（欠拟合）？

• 生产：如何将模型投入生产？它应该是在线模型还是隔一段时间不断更新？

• Ongoing：模型崩溃了会发生什么？如何利用更多数据改进模型？是否存在更好的方式？

这些问题来自 fast.ai 联合创始人 Rachel Thomas 的一篇文章（http://www.fast.ai/2018/07/12/auto-ml-1/）。

想了解更多，可以查看下面的视频：

没有既定道路

进入机器学习或 AI 领域的路没有对错之分。

该领域的美妙之处在于我们可以接触到世界上最棒的技术，我们只需要去学习如何使用它们。

首先，你应该学习 Python、研究微积分和统计学、学习决策的哲学。

机器学习和 AI 是上述领域的交叉地带，这使我非常着迷。我对此了解得越多，越意识到还需要学习更多。这让我充满动力。

有时代码无法运行或者我不理解某个概念时也会觉得挫败。这种时候我会暂时放下这个问题，休息一下或出去走走。再回来看这个问题时我好像换了一个角度，激情又回来了！

该领域每时每刻都在发生很多事情，开始本身令人畏惧。太多选择导致没有选择。请忽略它。

从你感兴趣的地方开始，然后沿着这条路继续前进。如果它把你带到了死胡同，很棒，你会发现自己对哪些事物不感兴趣。重新找一条路！

计算机很智能，但是它们仍然无法自行学习。它们需要你的帮助。

原文链接：https://hackernoon.com/i-want-to-learn-artificial-intelligence-and-machine-learning-where-can-i-start-7a392a3086ec

---

机器学习中的数学，这是一份新鲜出炉的热门草稿

选自 mmlbook

作者：Marc Peter Deisenroth、A Aldo Faisal、Cheng Soon Ong

机器之心编译

参与：路雪、王淑婷

近日，Marc Peter Deisenroth、A Aldo Faisal 和 Cheng Soon Ong 所著书籍《Mathematics for Machine Learning》的全部草稿已放出，机器之心整理了这本书的简要概述。感兴趣的读者可从以下链接获取全文（英文版）。

书籍地址：https://mml-book.github.io/

以下是这本书的部分序言。

机器学习是捕捉人类知识、对适合构建机器和工程化自动系统的格式进行推理的最新尝试。随着机器学习越来越普遍，软件包越来越易用，自然而然地，从业者不会注意低级技术细节。但是，这带来了一些风险，即从业者不了解设计决策，更容易忽略机器学习算法的局限性。对成功的机器学习算法的背后机制感兴趣的从业者需要学习如下必备知识：

• 编程知识和数据分析工具；

• 大规模计算和相关框架；

• 数学和统计学知识，以及机器学习如何在其上构建。

在大学里，机器学习的基础课程会先花时间介绍部分必备知识。由于历史原因，机器学习课程通常属于计算机科学系，学生通常接受过前两项必备知识领域的训练，但对数学和统计学知识可能涉猎不多。目前的机器学习教科书尝试用一两章的篇幅覆盖背景数学知识，可能在书的开头或者是附录。而本书将介绍基础机器学习概念的数学基础，并收集相关信息。

为什么要再写一本关于机器学习的书？

机器学习构建于数学语言之上，以表达看似直观实则难以形式化的概念。一旦得到恰当的形式化，我们就可以使用数学工具推导出机器学习算法设计的选择结果。这帮助我们理解正在解决的任务，同时了解智能的本质。全球数学专业的学生常见的一种抱怨是数学话题似乎与实际问题没有什么相关。我们认为机器学习是促使人们学习数学的直接动力。

本书旨在作为构建现代机器学习基础的大量数学文献的指南。我们通过直接指出数学概念在基础机器学习问题中的有用性来促进对数学概念学习的需求。为使书籍尽量简短，我们省略了很多细节和高级概念。本书主要介绍基础数学概念及其在机器学习语境中的意义，读者可在章节最后找到进一步学习的大量资源。对于具备数学背景的读者，本书提供简洁但表述准确的机器学习概览。与主要介绍机器学习方法和模型或编程知识的书籍不同，本书仅提供四个代表性机器学习算法。我们主要关注模型背后的数学概念，并描述其抽象之美。我们希望所有读者能够通过数学模型中的基础选择更加深入地了解机器学习应用中出现的机器学习基础问题和相关的实际问题。

目标读者

随着机器学习应用在社会中的广泛应用，我们认为每个人都应该了解其背后的原则。本书以学术数学风格写成，可以帮助读者准确理解机器学习背后的概念。我们鼓励不熟悉这一风格的读者坚持阅读本书，并牢记每个话题的目标。我们将在文本中插入大量评论，希望可以帮助读者获取对全局的理解。本书假设读者具备中学数学和物理知识。例如，读者应该了解过导数和积分，以及二维三维几何向量。因此，本书的目标读者包括本科大学生、夜校学生和参与机器学习在线课程的人们。

本书结构如下所示：

第一部分：数学基础

1. 引言和动机

2. 线性代数

3. 解析几何

4. 矩阵分解

5. 向量微积分

6. 概率和分布

7. 连续优化

第二部分：机器学习核心问题

1. 当模型遇到数据

2. 线性回归

3. 利用主成分分析进行降维

4. 利用高斯混合模型进行密度估计

5. 利用支持向量机进行分类

我们可以用以下两种策略来理解机器学习中的数学：

按从基础到高级的顺序构建概念。这通常是偏技术性领域（如数学）的首选方法。该策略的优点是，读者可以随时依赖自己以前学过的定义，不会遇到那些晦涩难懂、难以接受的观点。但对于从业者来说，许多基础概念本身并不怎么有趣，因此大多数基础定义会被他们很快遗忘。

从实际需求向下挖掘出更基础的要求。这种目标驱动方法的优点是，读者随时都知道为什么他们需要研究特定的概念，并且清晰地知道自己需要哪些知识。这种策略的缺点是知识的基础并不稳固，读者必须记住一组自己并不理解的单词。

本书分为两部分，第一部分讲数学基础，第二部分将第一部分的概念应用于基本的机器学习问题中，继而形成了图 1.1 中阐述的「机器学习四大支柱」。

图 1.1：机器学习的基础和四大支柱。

第一部分关于数学

我们将数值数据表示为向量，并将这些数据的表格表示为矩阵。向量和矩阵的研究被称为线性代数，见本书第 2 章。

我们经常认为数据是一些真实潜在信号的噪声观测结果，并希望通过机器学习从噪声中识别出信号。为此我们需要一种语言来量化噪声的含义。我们也经常希望能有预测因子来表达某种不确定性，例如，量化我们对特定测试数据概率预测值的置信度。对不确定性的量化属于概率论的领域，在本书第 6 章有所涉及。

为了把爬山法（hill-climbing）应用于训练机器学习模型，我们需要形式化梯度的概念，它会告诉我们寻找解的方向。搜索方向这个想法是通过微积分来形式化的，我们在第 5 章介绍了这一点。如何使用这些搜索方向序列来找到山顶被称为优化，见本书第 7 章。

第二部分关于机器学习

本书第二部分介绍了机器学习的四大支柱，如下表所示。表中的每一行区分了问题的相关变量是连续还是类别。我们解释了如何将本书第一部分介绍的数学概念应用于机器学习算法的设计中。

表 1.1：机器学习的四大支柱。

图 2.2：该思维导图展示了本章介绍的概念及其与其他章节的关联。

工业互联网

---

产业智能官  AI-CPS

加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

版权声明：产业智能官（ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源，涉权烦请联系协商解决，联系、投稿邮箱：erp_vip@hotmail.com。