大数据技术的目的是处理三对大数据的挑战包括体积(大量的数据)、速度(速度的数据)和品种类型和来源的数据(范围)。大数据通常是捕获没有特定目的导致大部分被task-irrelevant数据。数据最重要的特点是体积和其他Vs但值。如果大数据的技术基础是数据驱动的业务决策、智能数据是一个有组织的方式不同数据源语义带在一起,相关,和分析,等等,是准确的,可操作的,敏捷的智能决策。智能数据支持利用和克服三个V-challenges利用语义和神经科学,这样所有的值都可以从数据。处理体积,语义技术支持将大量数据转化为抽象,意义,和洞察力对人类有用的决策。神经网络算法能够从整个数据而不是样本数据。特别是神经网络算法,可以利用大规模并行(类人脑)计算,使用非常简单的处理器,不能使用其他机器学习技术。有很多的品种,本体的定义形式,自然语言处理,便于集成。处理速度,本体进化技术支持动态,灵活,并自适应地创建新对象的模型,概念和关系和使用它们更好地理解新线索捕获的数据快速发展的事件和情况。 In addition, the Semantics and Neuroscience are applied for intelligent analytics to find insight that is actionable. Smart Data bridges a gap by facilitating information extraction and insight discovery. Smart Data can certainly help to make smarter decisions.

加入我们在这个特殊的问题分享如何结合语义和神经科学部署解决方案和智能数据分享挑战如何从大数据中提取价值和解释语义和神经科学标准补充基本大数据技术像Hadoop来应对这些挑战。

潜在的主题包括,但不限于:

• 高速流数据的神经网络学习算法
• 为智能分析应用语义和神经科学
• 深层神经网络学习
• 应用本体进化速度的解决方案
• 自然语言处理的知识图的建筑
• 为大规模应用语义功能学习
• 学习应用高维数据的语义
• 应用语义学习大量的数据
• 使用神经网络和语义智能数据分析医疗/医学应用
• 智能数据分析在电力和能源使用神经网络系统
• 智能数据分析在大型传感器网络使用神经网络
• 智能数据和神经网络学习在计算生物学和生物信息学