文本分析平台TextMiner_光环大数据培训
大数据培训学习心得体会_光环大数据
大数据培训学习心得体会_光环大数据来光环大数据学习大数据已经有一段时间了，这段时间感触颇多，下面我就我在大数据培训学习心得体会做个简单的分享。
大数据（big data）也成为海量数据、海量资料。
在面对海量数据资料时，我们无法透过主流的软件工具在合理的时间内进行管理、处理并整理成为对需求者有价值的信息时，就涉及到了我们现在所学的大数据技术。
大数据的特点目前已经从之前的4V升级到了5V，即Volume（大量）、Velocity （速率）、Variety（多样性）、Veracity （真实）、Value（价值）。
进一步可以理解为大数据具有数据体量巨大、处理速度快、数据种类繁多、数据来源真实可靠、价值巨大等特性。
目前大数据所用的数据记录单位为PB（2的50次方）和EB（2的60次方），甚至到了ZB（2的70次方）。
数据正在爆炸式的增长，急需一批大数据人才进行处理、挖掘、分析。
大数据的一个重大价值就在于大数据的预测价值。
如经济指数预测、经典预测、疾病预测、城市预测、赛事预测、高考预测、电影票房预测等。
在光环大数据培训班学习期间，我感受到了光环大数据良好的学习氛围和先进的教学方式。
几乎是零基础入学的我，从Java编程开始学起，目前已经进入了大数据的入门课程阶段。
光环大数据的课程安排十分合理，不同科目的讲师风格各异，授课方式十分有趣，教学内容都可以轻松记下来。
光环大数据还安排了充足的自习时间，让我们充分消化知识点，全程都有讲师、助教陪同，有疑问随时就可以得到解答，让我的学习特别高效。
阶段性的测试让我能够充分认识到自己的学习漏洞，讲师也会根据我们测试反映的情况对课程进行调整。
光环大数据还专门设置了大数据实验室，我们每天学习时均使用了真实的大数据环境，让我们真正体会到了大数据之美。
在光环大数据的大数据学习时间还要持续3个月左右，我会及时分享我在光环大数据的大数据培训学习心得体会，为想要学习大数据的同学提供帮助。
为什么大家选择光环大数据！大数据培训、人工智能培训、培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
学习自然语言处理概述_光环大数据培训
学习自然语言处理概述_光环大数据培训1 什么是文本挖掘？文本挖掘是信息挖掘的一个研究分支，用于基于文本信息的知识发现。
文本挖掘的准备工作由文本收集、文本分析和特征修剪三个步骤组成。
目前研究和应用最多的几种文本挖掘技术有：文档聚类、文档分类和摘要抽取。
2 什么是自然语言处理？自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。
它研究人与计算机之间用自然语言进行有效通信的理论和方法。
融语言学、计算机科学、数学等于一体的科学。
自然语言处理原理：形式化描述-数学模型算法化-程序化-实用化语音的自动合成与识别、机器翻译、自然语言理解、人机对话、信息检索、文本分类、自动文摘等。
3 常用中文分词？中文文本词与词之间没有像英文那样有空格分隔，因此很多时候中文文本操作都涉及切词，这里整理了一些中文分词工具。
Stanford（直接使用CRF 的方法，特征窗口为5。
）汉语分词工具（个人推荐）哈工大语言云庖丁解牛分词盘古分词 ICTCLAS（中科院）汉语词法分析系统IKAnalyzer（Luence项目下，基于java的）FudanNLP(复旦大学)4 词性标注方法？句法分析方法？原理描述：标注一篇文章中的句子，即语句标注，使用标注方法BIO标注。
则观察序列X就是一个语料库（此处假设一篇文章，x代表文章中的每一句，X 是x的集合），标识序列Y是BIO，即对应X序列的识别，从而可以根据条件概率P(标注|句子)，推测出正确的句子标注。
显然，这里针对的是序列状态，即CRF是用来标注或划分序列结构数据的概率化结构模型，CRF可以看作无向图模型或者马尔科夫随机场。
用过CRF的都知道，CRF是一个序列标注模型，指的是把一个词序列的每个词打上一个标记。
一般通过，在词的左右开一个小窗口，根据窗口里面的词，和待标注词语来实现特征模板的提取。
最后通过特征的组合决定需要打的tag是什么。
5 命名实体识别？三种主流算法，CRF，字典法和混合方法1 CRF：在CRF for Chinese NER这个任务中，提取的特征大多是该词是否为中国人名姓氏用字，该词是否为中国人名名字用字之类的，True or false的特征。
一小时建立数据分析平台_光环大数据培训
一小时建立数据分析平台_光环大数据培训光环大数据培训机构，优秀的数据分析平台，首先要满足数据查询、统计、多维分析、数据报表等功能。
可惜很多分析师，工作的第一年，都是埋葬在SQL语句中，以SQL+Excel的形式完成工作，却用不上高效率的工具。
今天教大家如何搭建一套数据分析平台。
它可能是最简单的搭建教程，有一点Python基础都能完成。
比起动辄研发数月的成熟系统，借助开源工具，整个时间能压缩在一小时内完成。
优秀的数据分析平台，首先要满足数据查询、统计、多维分析、数据报表等功能。
可惜很多分析师，工作的第一年，都是埋葬在SQL语句中，以SQL+Excel的形式完成工作，却用不上高效率的工具。
说Excel也很好用的同学，请先回避一下。
另外一方面，以互联网为代表的公司越来越重视数据，数据获取不再是难点，难点是怎样敏捷分析获得洞察。
市面上已经有不少公司推出企业级的分析平台和BI，可惜它们都是收费的。
我相信不少读者听说过，但一直没有机会体验，或者老板们囊中羞涩。
现在，完完全全能免费建立一套BI系统，即可以单机版用以分析，也能私有化部署到服务器，成为自家公司的分析工具。
这一切，只需要一小时。
SupersetSuperset是一款轻量级的BI工具，由Airbnb的数据部门开源。
整个项目基于Python框架，不是Python我也不会推荐了，它集成了Flask、D3、Pandas、SqlAlchemy等。
这是官网的案例(本来是动图的，可惜压缩后也超过微信图片大小限制，吐槽下)，想必设计界面已经能秒杀一批市面上的产品了，很多BI真的是浓烈的中国式报表风……因为它的前端基于D3，所以绝大部分的可视化图表都支持，甚至更强大。
Superset本身集成了数据查询功能，查询对分析师那是常有的事。
它支持各类主流数据库，包括MySQL、PostgresSQL、Oracle、Impala、SparkSQL等，深度支持Druid。
后台支持权限分配管理，针对数据源分配账户。
R语言环境下的文本挖掘tm包_光环大数据培训机构
R语言环境下的文本挖掘tm包_光环大数据培训机构文本挖掘被描述为“自动化或半自动规划处理文本的过程”，包含了文档聚类、文档分类、自然语言处理、文体变化分析及网络万巨额等领域内容。
对于文本处理过程首先要拥有分析的语料(text corpus)，比如报告、信函、出版物等而后根据这些语料建立半结构化的文本库(text database)。
而后生成包含词频的结构化的词条-文档矩阵(term-document matrix)这个一般性数据结构会被用于后续的分析，比如：1)文本分类，比如根据现有的文本分类情况，对未知文本进行归类：2)语法分析；3) 信息提取和修复4) 文档信息汇总，比如提取相关有代表性的关键词、句子等。
文本挖掘相关的R程序包：tm、lsa、RTextTools、textcat、corpora、zipfRmaxent、TextRegression、wordcloud词干化(stemming)：比如我们要识别cat这个字符，但还可能有catlike、catty、cats等词，需要进行词干化记号化(Tockenization)：将一段文本分割成叫做token(象征)过程，token 可能是单词、短语、符号或其他有意义的元素。
library(Snowball)> SnowballStemmer(c(‘functions’, ‘stemming’, ‘liked’, ‘doing’))[1] “function”“stem”“like”“do”> NGramTokenizerlibrary(Rwordseg)segmentCN(‘花儿为什么这样红’)[1] “花儿”“为什么”“这样”“红”1、tm包1）数据读入：在tm 中主要的管理文件的结构被称为语料库（Corpus），代表了一系列的文档集合。
语料库是一个概要性的概念，在这里分为动态语料库（Volatile Corpus，作为R 对象保存在内存中）和静态语料库（Permanent Corpus，R 外部保存）。
基于SNS的文本数据挖掘_光环大数据培训
基于SNS的文本数据挖掘_光环大数据培训挖掘新词的传统方法是，先对文本进行分词，然后猜测未能成功匹配的剩余片段就是新词。
这似乎陷入了一个怪圈：分词的准确性本身就依赖于词库的完整性，如果词库中根本没有新词，我们又怎么能信任分词结果呢？此时，一种大胆的想法是，首先不依赖于任何已有的词库，仅仅根据词的共同特征，将一段大规模语料中可能成词的文本片段全部提取出来，不管它是新词还是旧词。
然后，再把所有抽出来的词和已有词库进行比较，不就能找出新词了吗？有了抽词算法后，我们还能以词为单位做更多有趣的数据挖掘工作。
这里，我所选用的语料是人人网 2011 年 12 月前半个月部分用户的状态。
非常感谢人人网提供这份极具价值的网络语料。
要想从一段文本中抽出词来，我们的第一个问题就是，怎样的文本片段才算一个词？大家想到的第一个标准或许是，看这个文本片段出现的次数是否足够多。
我们可以把所有出现频数超过某个阈值的片段提取出来，作为该语料中的词汇输出。
不过，光是出现频数高还不够，一个经常出现的文本片段有可能不是一个词，而是多个词构成的词组。
在人人网用户状态中，“的电影”出现了 389 次，“电影院”只出现了 175 次，然而我们却更倾向于把“电影院”当作一个词，因为直觉上看，“电影”和“院”凝固得更紧一些。
为了证明“电影院”一词的内部凝固程度确实很高，我们可以计算一下，如果“电影”和“院”真的是各自独立地在文本中随机出现，它俩正好拼到一起的概率会有多小。
在整个 2400 万字的数据中，“电影”一共出现了 2774 次，出现的概率约为 0.000113 。
“院”字则出现了 4797 次，出现的概率约为0.0001969 。
如果两者之间真的毫无关系，它们恰好拼在了一起的概率就应该是0.000113 × 0.0001969 ，约为 2.223 × 10-8 次方。
但事实上，“电影院”在语料中一共出现了 175 次，出现概率约为 7.183 × 10-6 次方，是预测值的300 多倍。
大数据分析师培训课程_光环大数据推出AI智客计划送2000助学金
大数据分析师培训课程_光环大数据推出AI智客计划送2000助学金大数据分析师培训课程_大数据分析师培训课程大纲内容。
光环大数据了解到，近年来随着大数据的发展，大数据分析师的作用越来越明显，企业对大数据分析师的需求量也在增加。
很多人非常看好大数据行业，想快速转入大数据分析师岗位，参加大数据分析培训课程是他们选择的主要途径。
大数据分析师培训课程内容如下：1、WEB前端实战开发HTML5应用、CSS核心布局JavaScript基础、进阶、应用jQuery框架 BootStrap框架京东电商网站、JS贪吃蛇项目2、数据库实战SQL核心概念和语法MySQL核心精讲、数据库安装DDL精讲、数据库函数、合并查询复合及子查询、DML/DCL精讲图书、ERP管理系统数据库开发3、Python数据分析urllib.lib、requests库学习与应用CSS选择器与Xpath、多进程爬虫Scrapr分布式搭建、Feed输出Python微博数据爬取SSM框架可视化分析4、Echarts数据分析Echarts入门、基本图形组件Echarts进阶图形、高阶图形组件业务需求分析、开发图设计可视化图表、展现门户、综合开发旅游局投诉、某智慧城市分析项目5、D3大数据分析D3数组与Map、set与数据绑定D3比例尺与坐标轴、插值方法D3动画、拖拽和缩放、定时器JSON/CSV数据、SVG导出某地产、大数据可视化职位分析6、BI平台PowerBIBI图形组件、数据导入导出数据仓储、Hadoop版本Spark兼容、自动建模路径规划、大数据架构热度大数据分析、大盘大数据分析7、SmartBI大数据分析数据源链接、编写数据集EmartBI与Echarts、过滤与排序分组与汇总、详细报告、资源权限功能权限与数据权限、移动APP 实时、共享单车大数据可视化分析8、SAPDesignStudio统计图部件、文本部件与图像部件容器部件与模板、脚本与控制器公共函数编程、平衡计分卡GEO地图、日历部件零售电商、用户大数据可视化分析9、Tableau大数据分析Tableau基本认识、图形组件Tableau进阶、高级组件、显示板Tableau填充地图、自定义视图Tableau编辑数据源、过滤器操作某汽车、管理大数据可视化分析10、R语言大数据分析R语言环境开发设置、基本语法R语言数据类型与变量、函数编程运算符与条件决策、循环语句R语言处理各类数据、各类图形R语言高阶、各类态势分析11、七大行业建模分析 旅游行业、电商行业建模分析零售行业、汽车行业建模分析医疗行业、金融行业建模分析房地产行业建模分析综合项目建模分析12、可视化新增课程项目架构、API应用接口vue、git、webpackoracle简介及入门MYSQL项目实战linux、ETL工具大数据分析师培训，就选光环大数据！为什么大家选择光环大数据！大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
光环大数据的人工智能培训_光环大数据人工智能培训课程有哪些内容
光环大数据的人工智能培训_光环大数据人工智能培训课程有哪些内容光环大数据人工智能培训课程有哪些内容？随着人工智能技术在个人财务管理、公共记录、客户体验以及学习新事物等平台的发展，这种行业转移将变得更加普遍。
人工智能工程师和开发人员将致力于打造由算法驱动的人工智能，人工智能的发展会越来越好，因此参加人工智能培训课程进而转行人工智能行业是非常好的时机。
光环大数据人工智能培训课程有哪些内容？课程一阶段PythonWeb学习内容：PythonWeb内容实战学习目标：掌握HTML与CSS基础与核心、JavaScript原生开发，jQuery框架、XML与AJAX 技术完成项目：大型网站设计项目、京东电商网站项目、JS原生特效编写实战。
课程二阶段PythonLinux学习内容：PythonLinux实战开发学习目标：熟练Linux安装与管理、熟练使用Shell核心编程，掌握服务器配置与管理。
完成项目：ERP员工管理系统开发、图书管理系统开发、数据库系统调优。
课程三阶段文件与数据库学习内容：文件与数据库实战开发学习目标：熟练掌握Python各类操作，熟练掌握数据库语法与函数编程，及大数据库解决方案完成项目：权限系统数据库设计、日志系统数据库设计、综合系统数据库设计。
课程四阶段Python基础学习内容：Python基础实战开发学习目标：熟练掌握Python基础开发，掌握函数与控制、Python数据库开发。
完成项目：设计高级石头剪刀布游戏、计算器程序设计开发。
课程五阶段Python进阶开发学习内容：Python进阶实战开发学习目标：熟练使用经典开发与爬虫设计，熟练掌握买面向对性开发及并发原理。
完成项目：智能电子购物车项目、异步即时聊天室项目、Python超级爬虫编写。
课程六阶段Django编程开发学习内容：Django编程实战开发学习目标：熟练掌握Django框架设计、了解Django工作机制、熟练应用Django框架。
一个文本挖掘过程及案例_光环大数据培训
一个文本挖掘过程及案例_光环大数据培训一、文本挖掘概念在现实世界中，可获取的大部信息是以文本形式存储在文本数据库中的，由来自各种数据源的大量文档组成，如新闻文档、研究论文、书籍、数字图书馆、电子邮件和Web页面。
由于电子形式的文本信息飞速增涨，文本挖掘已经成为信息领域的研究热点。
文本数据库中存储的数据可能是高度非结构化的，如WWW上的网页;也可能是半结构化的，如e-mail消息和一些XML网页:而其它的则可能是良结构化的。
良结构化文本数据的典型代表是图书馆数据库中的文档，这些文档可能包含结构字段，如标题、作者、出版日期、长度、分类等等，也可能包含大量非结构化文本成分，如摘要和内容。
通常，具有较好结构的文本数据库可以使用关系数据库系统实现，而对非结构化的文本成分需要采用特殊的处理方法对其进行转化。
文本挖掘(Text Mining)是一个从非结构化文本信息中获取用户感兴趣或者有用的模式的过程。
其中被普遍认可的文本挖掘定义如下:文本挖掘是指从大量文本数据中抽取事先未知的、可理解的、最终可用的知识的过程，同时运用这些知识更好地组织信息以便将来参考。
文本挖掘的主要用途是从原本未经处理的文本中提取出未知的知识，但是文本挖掘也是一项非常困难的工作,因为它必须处理那些本来就模糊而且非结构化的文本数据,所以它是一个多学科混杂的领域,涵盖了信息技术、文本分析、模式识别、统计学、数据可视化、数据库技术、机器学习以及数据挖掘等技术。
文本挖掘是从数据挖掘发展而来，因此其定义与我们熟知的数据挖掘定义相类似。
但与传统的数据挖掘相比，文本挖掘有其独特之处，主要表现在:文档本身是半结构化或非结构化的，无确定形式并且缺乏机器可理解的语义;而数据挖掘的对象以数据库中的结构化数据为主，并利用关系表等存储结构来发现知识。
因此，有些数据挖掘技术并不适用于文本挖掘，即使可用，也需要建立在对文本集预处理的基础之上。
文本挖掘是应用驱动的。
它在商业智能、信息检索、生物信息处理等方面都有广泛的应用；例如，客户关系管理，自动邮件回复，垃圾邮件过滤，自动简历评审，搜索引擎等等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文本分析平台TextMiner_光环大数据培训
互联网上充斥着大规模、多样化、非结构化的自然语言描述的文本，如何较好的理解这些文本，服务于实际业务系统，如搜索引擎、在线广告、推荐系统、问答系统等，给我们提出了挑战。
例如在效果广告系统中，需要将Query(User or Page) 和广告 Ad 投影到相同的特征语义空间做精准匹配，如果Query 是用户，需要基于用户历史数据离线做用户行为分析，如果 Query 是网页，则需要离线或实时做网页语义分析。
文本语义分析（又称文本理解、文本挖掘）技术研究基于词法、语法、语义等信息分析文本，挖掘有价值的信息，帮助人们更好的理解文本的意思，是典型的自然语言处理工作，关键子任务主要有分词、词性标注、命名实体识别、Collection 挖掘、Chunking、句法分析、语义角色标注、文本分类、文本聚类、自动文摘、情感分析、信息抽取等。
（摘自https:///nlp/，稍作修改）
在解决文本处理需求过程中，我们发现保证文本分析相关的概念、数据和代码的一致性，避免重复开发是非常关键的，所以设计并搭建一套灵活、可扩展、通用的文本分析底层处理平台，供上层应用模块使用，是非常必要的。
既然是文本分析，我们很自然的想到是否可以使用已有的自然语言处理开源代码呢？为此，我们不妨一起了解下常见的相关开源项目：
Natural Language Toolkit（NLTK），/，In Python，主要支持英文
Stanford CoreNLP，/software/index.shtml，In Java，主要支持英文，阿拉伯语，中文，法语，德语
哈工大-语言技术平台（Language Technolgy Platform，LTP），/，In C/C++，支持中文
ICTLAS 汉语分词系统，/，In C/C++，支持中文
遗憾的是，我们发现尽管这些项目都极具学习和参考价值，和学术界研究结合紧密，但并不容易直接用于实际系统。
也许这正源于学术界和工业界面临的问题不同，定位不同。
对比如下：
根据我们的实践经验，尝试给出一套文本分析平台设计框架 TextMiner，供大家参考、交流。
设计之初，我们想 TextMiner 应该支持以下主要功能点：
提供细粒度的中文分词、词性标注和命名实体识别；
抽取与文本内容语义相关的词或短语；
获取能够表达文本语义的主题语义；
获取能够表达文本语义的行业信息；
提供统一的数据资源管理功能，尤其，要支持同时加载多份不同版本的数据资源，便于进行更新及效果对比。
参考斯坦福大学自然语言处理组开源项目： Stanford CoreNLP 和哈尔滨工业大学社会计算与信息检索研究中心开源项目：语言技术平台 (Language
Technology Platform，LTP) 设计思想，结合实际业务系统常见需求，TextMiner 系统架构如下图所示：
TextMiner 制定了基于 Google Protocal Buffer (简称 Protobuf，Thrift 也是不错的选择) 的文本分析处理结果表示方法，集成了一整套自底向上的文本分析基础模块，主要包括：
分词器 (Segmenter)：对纯文本进行切词、词性标注和通用命名实体识别 (如人名、地名、机构名)；
Token 抽取 (Token Extractor)：构建 Bag Of Words (BOW) 模型，并支持标点符号、停用词、功能词（如连词、代词、助词）等过滤，Token 不考虑词序（词独立）、句法等信息；
Keyword 抽取 (Keyword Extractor)：匹配抽取与文本语义相关的词或短语，并识别出专有名词，如书名、产品名、品牌名、游戏名、疾病名等，一定程度上考虑了词序和句法，语义更明确；
Keyword 扩展(Keyword Expander)：对匹配抽取的少量高质量Keywords 进行语义扩展，获取更多与文本语义相关且未在文本中提及的词条，解决 Vocabulary Gap 问题；
Topic 识别 (LDA)：采用 Unsupervised Learning 的方法，对文本进行聚类分析，识别能够表达文本语义的 Topics；
层次化文本分类 (Classifier)：采用 Supervised Learning 方法，在人工构建的大规模层次类别体系基础上，对文本进行类别判断，标识出文本所属的行业语义。
(1 ~ 3) 主要从词和语法角度挖掘文本字面上提及的关键信息，(4 ~ 6) 主要从语义角度发现语义空间可以较好表示文本的关键信息。
当然，根据特殊的应用场景，可以扩展更多基础模块，如情感分类。
在此基础上，我们建议基于TextMiner API 实现并搭建 RPC Server（Protobuf、Thrift 都有很好的支持），
提供统一的对外调用服务，这样的话，调用方几乎可以选用任何编程语言，而且不需要在应用模块中加载数据，非常方便。
对于自然语言处理任务，大部分工作都集中在离线数据标注、词典构建和模型训练，然后，在线加载数据资源（主要包括词典和模型），提供 Inference。
对于实际业务系统，在算法更新过程中，往往需要通过小流量 A/B Test 实验验证效果正向后，才能完成全量平滑升级，这一点非常重要。
所以，这里特别介绍一种可行的设计方案。
如下图所示：
TextMinerResource 负责数据资源统一管理，调用者需要基于TextMinerResource 初始化TextMiner 对象，然后，各功能模块均围绕Document Message 进行文本分析处理，上层应用模块也只需要从 Document 中获取所需要的字段即可。
TextMiner 和 TextMinerResource 是一对一的关系。
但是，TextMiner 平台设计本身支持多份 TextMinerResource 的存在，即多份数据资源的存在，并使用 version_id/resource_name 进行版本标识，这些数据资源由TextMinerResourceContainer 维护，初始化时解析配置文件加载数据，使用者需要指定使用哪个 version 的数据资源（即算法策略）做文本处理。
至此，我们就可以使用 TextMiner 处理文本了。
为什么大家选择光环大数据！
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请大数据领域具有多年经验的讲师，提高教学的整体质量与教学水准。
讲师团及时掌握时代的技术，将时新的技能融入教学中，让学生所学知识顺应时代所需。
通过深入浅出、通俗易懂的教学方式，指导学生较快的掌握技能知识，帮助莘莘学子实现
就业梦想。
光环大数据启动了推进人工智能人才发展的“AI智客计划”。
光环大数据专注国内大数据和人工智能培训，将在人工智能和大数据领域深度合作。
未来三年，光环大数据将联合国内百所大学，通过“AI智客计划”，共同推动人工智能产业人才生态建设，培养和认证5-10万名AI大数据领域的人才。
参加“AI智客计划”，享2000元助学金！
【报名方式、详情咨询】
光环大数据网站报名：
手机报名链接：http:// /mobile/。