A. wap和web區別
wap和web的區別如下：
一、訪問媒介不一樣
wap網站，即wap是無線應用協議的縮寫，一種實現行動電話與互聯網結合的應用協議標准，wap網站主要是用手機訪問；WEB即全球廣域網，它是一種基於超文本和HTTP的、全球性的、動態交互的、跨平台的分布式圖形信息系統，web網站主要是用電腦訪問。
B. 什麼是web界面
1、web界面是2015年3月電子工業出版社出版的圖書，作者是Bill Scott,Theresa Neil。當前的Web已經進入嶄新的時代，《Web界面設計(全彩)》涵蓋了在基於獨一無二的Web環境下、在創建豐富體驗的過程中設計Web界面的最佳實踐、模式和原理。
2、web的本意是蜘蛛網和網的意思，在網頁設計中我們稱為網頁的意思。現廣泛譯作網路、互聯網等技術領域。表現為三種形式，即超文本(hypertext)、超媒體(hypermedia)、超文本傳輸協議(HTTP)等。
3、Internet採用超文本和超媒體的信息組織方式，將信息的鏈接擴展到整個Internet上。Web就是一種超文本信息系統，Web的一個主要的概念就是超文本連接，它使得文本不再象一本書一樣是固定的線性的。而是可以從一個位置跳到另外的位置。可以從中獲取更多的信息。可以轉到別的主題上。
4、UI專家Bill Scott和Theresa Neil在他們多年實踐經驗和探索的基礎上，總結提煉出了Web界面設計的六大原理--直接了當、簡化交互、足不出戶、提供邀請、巧用變換和即時反應，並以這六大原理為依託，以當今Web上各類開風氣之先的流行網站為示例，向讀者展示了超過75種基於富交互構建Web界面的模式，並以簡單明了的語言，闡明了數以百計行之有效的最佳實踐。
5、書中還給出諸多反模式，即在Web界面設計過程中應該避免的做法。《Web界面設計(全彩)》是迄今為止一部專注於富Web界面設計的經典之作。
6、《Web界面設計(全彩)》既是一本Web界面設計指南，又是一本Web界面實例參考，適合Web界面設計、開發、研究人員、愛好者，以及Web項目管理人員閱讀。
7、Web中的富交互設計面臨的一個主要挑戰就是易發現性。再好的功能，如果用戶發現不了，結果仍然等於零。提供邀請是改善易發現性的重要途徑。邀請可以提示用戶下一步交互操作是什麼。由第9和第10章構成的這一部分，將分別從"靜態邀請"和"動態邀請"的角度，探討那些始終在頁面上顯示邀請和響應用戶操作顯示邀請的模式。
8、Web智能界面的特點是具有良好的反應能力。這個原理探討了怎樣通過響應操作為用戶提供豐富的體驗。第13章介紹了一組"查找模式"，包括實時搜索、實時建議、微調搜索和自動完成。第14章介紹了一組"反饋模式"，包括實時預覽、漸進展現、進度指示和定時刷新。
9、web管理頁面，就是可以在線提交、編輯、刪除網站相關欄目的內容後台管理程序。只有管理員分配的用戶才能登陸web管理頁面。
10、web頁面是動態的,能夠和資料庫進行交互的.，HTML頁面是靜態的,無法與資料庫進行交互.說白了就是不能象那樣進行注冊,登錄的操作之類的。
C. web站點的智能性體現在哪些方面
WWW（World Wide Web）簡稱3W，也稱萬維網，也叫做Web系統。是以超文本標注語言HTML（Hyper Text Markup Language）與超文本傳輸協議HTTP（Hyper Text Transfer Protocol）為基礎，能夠提供面向Internet服務的、一致的用戶界面的信息瀏覽系統。
WWW它是目前 Internet上最方便最受用戶歡迎的信息服務類型，它的影響已遠遠超出了專業技術范疇，並且已經進入廣告、新聞、銷售、電子商務與信息服務等各個行業。
Web的特點：
1、Web是圖形化的和易於導航的（navigate）
Web 非常流行的一個很重要的原因就在於它可以在一頁上同時顯示色彩豐富的圖形和文本的性能。在Web之前Internet上的信息只有文本形式。Web可以提供將圖形、音頻、視頻信息集合於一體的特性。同時，Web是非常易於導航的，只需要從一個連接跳到另一個連接，就可以在各頁各站點之間進行瀏覽了。
2、Web與平台無關
無論你的系統平台是什麼，你都可以通過Internet訪問WWW。瀏覽WWW對你的系統平台沒有什麼限制。無論從Windows平台、UNIX平台、Macintosh還是別的什麼平台我們都可以訪問WWW。
3、Web是分布式的
大量的圖形、音頻和視頻信息會佔用相當大的磁碟空間，我們甚至無法預知信息的多少。對於Web沒有必要把所有信息都放在一起，信息可以放在不同的站點上。
4、Web 是動態的
由於各Web站點的信息包含站點本身的信息，信息的提供者可以經常對站上的信息進行更新。如某個協議的發展狀況，公司的廣告等等。一般各信息站點都盡量保證信息的時間性。所以Web站點上的信息是動態的。經常更新的。這一點是由信息的提供者保證的。
5、Web是交互的。
Web的交互性首先表現在它的超連接上，用戶的瀏覽順序和所到站點完全由他自己決定。另外通過FORM的形式可以從伺服器方獲得動態的信息。用戶通過填寫FORM可以向伺服器提交請求，伺服器可以根據用戶的請求返回相應信息。
D. web好還是人工智慧好
目前來說，web前端技術還是很流行的，生活離不開互聯網，網頁就是web技術製作的，是永遠不會過時的技術。人工智慧是近兩年開始火熱起來的，是未來的一個大趨勢。不管是web前端還是人工智慧目前應用都非常廣泛，未來前景也是十分光明。要說具體哪個好，還真不好定論。
E. 如何實現商業智能FineBI的web部署
ineBI是一個Servlet應用。Servlet是一種伺服器端的Java應用程序，具有獨立於平台和協議的特性，可以生成動態的Web頁面。
它擔當客戶請求（Web瀏覽器或其他HTTP客戶程序）與伺服器響應（HTTP伺服器上的資料庫或應用程序）的中間層。Servlet是位於Web
伺服器內部的伺服器端的Java應用程序，由Web伺服器進行載入，該Web伺服器必須包含支持Servlet的Java虛擬機。因此FineBI必須部署在Web應用伺服器如Tomcat、Weblogic、Websphere等下面，啟動Web應用伺服器時就會載入FineBI這個Servlet，從而互動式地瀏覽和修改數據。
部署方式有tomcat伺服器部署和weblogic伺服器部署。
F. 資料庫與Web智能的應用領域有那些
資料庫沒有Web或Windows之分，你所說的Web資料庫應當理解成通過Web方式（程序）去訪問的資料庫。其實這只是一種資料庫的訪問方法，是一種程序模式，我們稱之為B/S。
通過Web訪問資料庫與常規模式(C/S)在性能上並沒有太大的優點，對於開發者來說優點在於程序部署及維護比較容易，對於使用者來說，他並不會感覺到什麼？只是在任何只要是能上網的地方就能使用程序了而已(前提是有DNS)。另外一點就是B/S模式的程序可以跨平台（不是所有的）。
G. 智能Web演算法的目 錄
1 什麼是智能Web？ 1
1.1 智能Web應用實例 3
1.2 智能應用的基本要素 4
1.3 什麼應用會受益於智能? 5
1.3.1 社交網路 6
1.3.2 Mashup 7
1.3.3 門戶網站 8
1.3.4 維基 9
1.3.5 文件分享網站 9
1.3.6 網路游戲 11
1.4 如何構建智能應用？ 11
1.4.1 檢查功能和數據 12
1.4.2 獲取更多的數據 12
1.5 機器學習、數據挖掘及其他 16
1.6 智能應用中八個常見的誤區 17
1.6.1 誤區1：數據是可靠的 18
1.6.2 誤區2：計算能馬上完成 19
1.6.3 誤區3：不用考慮數據規模 19
1.6.4 誤區4：不考慮解決方案的可擴展性 19
1.6.5 誤區5：隨處使用同樣的方法 19
1.6.6 誤區6：總是能知道計算時間 20
1.6.7 誤區7：復雜的模型更好 20
1.6.8 誤區8：存在無偏見的模型 20
1.7 小結 20
1.8 參考資料 21
2 搜索 22
2.1 用Lucene實現搜索 23
2.1.1 理解Lucene代碼 24
2.1.2 搜索的基本步驟 31
2.2 為什麼搜索不僅僅是索引？ 33
2.3 用鏈接分析改進搜索結果 35
2.3.1 PageRank簡介 35
2.3.2 計算PageRank向量 37
2.3.3 alpha：網頁間跳轉的影響 38
2.3.4 理解冪方法 40
2.3.5 結合索引分值和PageRank分值 45
2.4 根據用戶點擊改進搜索結果 47
2.4.1 用戶點擊初探 48
2.4.2 樸素貝葉斯分類器的使用 50
2.4.3 整合Lucene索引、PageRank和用戶點擊 54
2.5 Word、PDF等無鏈接文檔的排序 58
2.5.1 DocRank演算法簡介 58
2.5.2 DocRank的原理 60
2.6 大規模實現的有關問題 65
2.7 用戶得到了想要的結果嗎？精確度和查全率 67
2.8 總結 69
2.9 To Do 70
2.10 參考資料 72
3 推薦系統 73
3.1 一個在線音樂商店：基本概念 74
3.1.1 距離與相似度的概念 75
3.1.2 走近相似度的計算 80
3.1.3 什麼才是最好的相似度計算公式？ 83
3.2 推薦引擎是怎麼工作的 84
3.2.1 基於相似用戶的推薦 85
3.2.2 基於相似條目的推薦 94
3.2.3 基於內容的推薦 98
3.3 推薦朋友、文章與新聞報道 104
3.3.1 MyDiggSpace com簡介 105
3.3.2 發現朋友 106
3.3.3 DiggDelphi的內部工作機制 108
3.4 像Netflix com那樣推薦電影 114
3.4.1 電影數據集的介紹及推薦器 114
3.4.2 數據標准化與相關系數 117
3.5 大規模的實現與評估 123
3.6 總結 124
3.7 To Do 125
3.8 參考資料 127
4 聚類：事物的分組 128
4.1 聚類的需求 129
4.1.1 網站中的用戶組：案例研究 129
4.1.2 用SQL order by子句分組 131
4.1.3 用數組排序分組 132
4.2 聚類演算法概述 135
4.2.1 基於分組結構的聚類演算法分類 136
4.2.2 基於數據類型和結構的聚類演算法分類 137
4.2.3 根據數據規模的聚類演算法分類 137
4.3 基於鏈接的演算法 138
4.3.1 樹狀圖：基本的聚類數據結構 139
4.3.2 基於鏈接的演算法概況 141
4.3.3 單鏈接演算法 142
4.3.4 平均鏈接演算法 144
4.3.5 最小生成樹演算法 147
4.4 k-means演算法 149
4.4.1 初識k-means演算法 150
4.4.2 k-means的內部原理 151
4.5 魯棒的鏈接型聚類（ROCK） 153
4.5.1 ROCK簡介 154
4.5.2 為什麼ROCK這么強大？ 154
4.6 DBSCAN 159
4.6.1 基於密度的演算法簡介 159
4.6.2 DBSCAN的原理 162
4.7 超大規模數據聚類 165
4.7.1 計算復雜性 166
4.7.2 高維度 167
4.8 總結 168
4.9 To Do 169
4.10 參考資料 171
5 分類：把事物放到它該在的地方 172
5.1 對分類的需求 173
5.2 分類器的概述 177
5.2.1 結構分類演算法 178
5.2.2 統計分類演算法 180
5.2.3 分類器的生命周期 181
5.3 郵件的自動歸類與垃圾郵件過濾 182
5.3.1 樸素貝葉斯分類 184
5.3.2 基於規則的分類 197
5.4 用神經網路做欺詐檢測 210
5.4.1 交易數據中關於欺詐檢測的一個用例 210
5.4.2 神經網路概覽 212
5.4.3 一個可用的神經網路欺詐檢測器 214
5.4.4 神經網路欺詐檢測器剖析 218
5.4.5 創建通用神經網路的基類 226
5.5 你的結果可信嗎？ 232
5.6 大數據集的分類 235
5.7 總結 237
5.8 To Do 239
5.9 參考資料 242
6 分類器組合 244
6.1 信貸價值：分類器組合案例研究 246
6.1.1 數據的簡要說明 247
6.1.2 為真實問題生成人工數據 250
6.2 用單分類器做信用評估 255
6.2.1 樸素貝葉斯的基準線 255
6.2.2 決策樹基準線 258
6.2.3 神經網路基線 260
6.3 在同一個數據集中比較多個分類器 263
6.3.1 McNemar檢驗 264
6.3.2 差額比例檢驗 266
6.3.3 Cochran Q檢驗與F檢驗 268
6.4 Bagging: bootstrap聚合（bootstrap aggregating） 270
6.4.1 bagging實例 272
6.4.2 bagging分類器底層細節 274
6.4.3 分類器集成 276
6.5 Boosting：一種迭代提高的方法 279
6.5.1 boosting分類器實例 280
6.5.2 boosting分類器底層細節 282
6.6 總結 286
6.7 To Do 288
6.8 參考資料 292
7 智能技術大匯集：一個智能新聞門戶 293
7.1 功能概覽 295
7.2 獲取並清洗內容 296
7.2.1 各就位、預備、開抓！ 296
7.2.2 搜索預備知識回顧 298
7.2.3 一個抓取並處理好的新聞數據集 299
7.3 搜索新聞 301
7.4 分配新聞類別 304
7.4.1 順序問題 304
7.4.2 使用NewsProcessor類進行分類 309
7.4.3 分類器 310
7.4.4 分類策略：超越底層的分類 313
7.5 用NewsProcessor類創建新聞分組 316
7.5.1 聚類全部文章 317
7.5.2 在一個新聞類別中聚類文章 321
7.6 基於用戶評分的動態內容展示 325
7.7 總結 328
7.8 To Do 329
7.9 參考資料 333
附錄A BeanShell簡介 334
A.1 什麼是BeanShell？ 334
A.2 為什麼使用BeanShell？ 335
A.3 運行BeanShell 335
A.4 參考資料 336
附錄B 網路採集 337
B.1 爬蟲組件概況 337
B.1.1 採集的步驟 338
B.1.2 我們的簡單爬蟲 338
B.1.3 開源Web爬蟲 339
B.2 參考資料 340
附錄C 數學知識回顧 341
C.1 向量和矩陣 341
C.2 距離的度量 342
C.3 高級矩陣方法 344
C.4 參考資料 344
附錄D 自然語言處理 345
D.1 參考資料 347
附錄E 神經網路 348
E.1 參考資料 349
索引 350
H. 土豆加速器啟動WEB智能探測是什麼意思
此功能也就是網頁智能分析，當網頁上有媒體文件時它會自動的載入緩沖，等你看的時候，就不用再等待較長時間，不過個人感覺這項功能並不完善，勾與不勾沒有顯著差別。
I. 現在國內互聯網是Web2.0還是Web3.0
不管你是否相信，社交網路和在線視頻流出現之前，互聯網就已經存在了。Web1.0甚至在20世紀90年代谷歌出現之前就已經存在了。當時的互聯網是由AltaVista和網景公司主導的。
AltaVista搜索引擎創立於1995年，2013年被雅虎關閉。網景公司成立於1994年，旗下的網景瀏覽器曾全球聞名，但在2003年被美國在線解散。當時，這些互聯網只為實體公司提供廣告服務。
網頁是「只讀的」，用戶只能搜索信息，瀏覽信息。正如下面第1張圖所展示的：
大多數電子商務網站從性質上講還是Web 1.0，因為其背後的理念非常簡單，面向消費者展示產品，從感興趣的消費者那裡收錢。這些網站往往反應迅速，體驗順暢，但用戶的互動程度被降到了最低。
Web 2.0
在Web 1.0之後，互聯網的第二次迭代被稱作Web 2.0，也就是「可讀寫」網路。到了2.0時代，用戶不僅僅局限於瀏覽，他們還可以自己創建內容並上傳到網頁上。
Web 2.0這個概念，最早是在2003年，由O』Reilly傳媒副總裁Dale Dougherty提出的。自此以後，Web 2.0浪潮席捲全球。僅僅過了10年，Web 2.0就已經徹底重新定義了市場營銷和商務運營。
現在，微博上的大V可以通過一張照片成就或毀掉一個品牌。大眾點評上的用戶可以通過一條差評就抹黑一家餐廳，甚至點評已經對用戶的購買決策起到至關重要的作用。
就像本篇文章第2張圖展示的那樣，形形色色的社交網站和點評網站，是Web 2.0的代表：
根據一項調研，90%的消費者在購買之前會在線閱讀點評，88%的用戶會像信任個人推薦一樣信任網路點評。
Web2.0的初衷就在於讓互聯網更加貼近民主，使用戶更好的互動。
Web 3.0
在了解什麼是Web 3.0之前，先來看下下面這張圖，是不是起來很熟悉？
上圖是本篇文章的第3張圖。每次在亞馬遜上購物，網站演算法就會看其他人購買了你的這件商品後會繼續買什麼，然後會把推薦結果展示給你。
這意味著什麼？這意味著網站在從其他用戶的購買習慣中學習，推斷你有可能傾向於哪些產品，並把你可能喜歡的商品推薦給你。簡而言之，網站自身有了自主學習能力，變得更加智能。
這就是Web 3.0背後的哲學了。
Web1.0是由內容驅動的，內容來自於商業機構，服務於消費者；
Web 2.0允許用戶自主上傳內容，分享內容；
Web 3.0使得在線應用和網站可以接收到已經在網路上的信息，並將新的信息和數據反饋給用戶。
正如相親網站eHarmony研發部門高級總監Gian Gonzaga博士所說，Web 3.0可以反饋給我們之前並不知曉的內容。Web 3.0在學習，在理解你是誰，並試圖給你一些反饋。
Web 3.0的四大屬性
為了更好地理解Web 3.0與Web 1.0和2.0的細微差別和微妙之處，讓我們看看Web 3.0的四個屬性。
屬性一：語義網路
Web3.0的一個關鍵元素是「語義網路」，「語義網路」由萬維網之父Tim Berners-Lee創造，用於表述可以由機器處理的數據網路。
Tim Berners-Lee最初是這樣表達他對語義網路的看法的：
「我有一個夢想，網路中的所有計算機能夠分析網路中的數據，包括內容、鏈接、人與計算機之間的往來。語義網路會讓這一切成為可能，一旦該網路出現，日常的交易機制、事務以及我們的日常生後都會由機器與機器之間的溝通來處理。人們吹噓多年的「智能代理」將最終實現。」那麼，簡單來說，這句話的意思是什麼？語義指的究竟是什麼？
「我愛比特幣」和「我<3比特幣」之間有什麼區別？
兩個句子之間的語法不同，但語義相同。語義處理數據所傳達的意義或情感，在我們的例子中，這兩個句子表達的是相同的情感。
所以，語義網路和人工智慧是Web 3.0的兩大基石。語義網路有助於計算機學習數據的含義，從而演變為人工智慧，分析處理信息和數據。其核心理念是創建一個知識蛛網，幫助互聯網理解單詞的含義，從而通過搜索和分析來創建、共享和連接內容。
由於語義元數據，Web 3.0有助於增強數據之間的連接。因此，用戶體驗會升級到更高層次，所有可用信息將更好地連接起來，最終更有效地被利用。
屬性二：人工智慧
接下來我們來看人工智慧。目前，隨著區塊鏈技術的發展，人工智慧已經成為最熱門和最具創新力的技術。
根據維基網路的說法，「在計算機科學領域，人工智慧，有時被稱為機器智能，是機器所表現出的智能，與人類和其他動物的自然智能不同。」因此，人工智慧將幫助機器變得更加智能，以滿足用戶的需求。
人工智慧允許網站過濾並向用戶提供盡可能最好的數據。目前在Web 2.0中，我們已經開始採納用戶意見，以理解特定產品/資產的質量。想想在豆瓣這樣的網站，用戶可以為電影投票評分，得分較高的電影一般會認為是「好電影」。這樣的信息可以幫助我們直接獲得「好數據」，避免「壞數據」。
如我們已經提到的，Peer Review（同級評級）是Web 2.0最大的貢獻之一。但是，人無完人，人類的建議也並非完全可靠。一部爛片子，也可能因為某種原因得到好評，得分也會上升。人工智慧則可以學習如何區分好壞，給我們提供可靠數據。
屬性三：三維世界
Web 3.0也會改變互聯網的未來，從簡單的二維網路發展為更真實的三維網路世界。三維設計在網路游戲、電子商務、區塊鏈、房地產等Web 3.0的網站和服務中得到了廣泛的應用。
三維網路的概念聽起來可能有點陌生，但很多人已經開始在三維空間中互動了。例如《第二人生》或《魔獸世界》等在線游戲，用戶對他們游戲中的人生比真實生活中的人生更加在意。
《第二人生》的創始人Philip Rosedale相信虛擬身份將像電子郵件地址和手機一樣普遍。雖然現在聽起來虛擬身份似乎還有些遙遠。但別忘了，20多年前的1997年，也僅僅只有少數人有電子郵件地址。這樣來看，擁有3D虛擬身份的人絕對還會增加。
屬性四：無處不在
無所不在是指網路跨越時間與空間，無所不在。Web 2.0時代我們已經獲得這項功能，例如在社交媒體網站例如Instagram，用戶可以拍照，在線上傳或分享，照片可以成為自己的知識產權。圖像隨處可見，無處不在。
移動設備和互聯網的發展將使Web 3.0體驗隨時隨地可用。互聯網將不再像Web 1.0那樣局限在桌面上，也不再像Web 2.0那樣僅僅在智能手機，而是會無所不在。
要實現這一目標，Web 3.0時代，身邊的一切事物都是連接在線的，也就是物聯網。我們正在緩慢但穩定地向物聯網邁進。
Web 3.0應用的挑戰
了解了什麼是Web 3.0，接下來讓我們來看看Web 3.0的應用過程中有哪些挑戰。
無邊際：互聯網是巨大的，它包含了數十億個頁面，僅Snomed CT醫學術語就包含了370,000個類目，而現有的技術還不能消除所有語義重復的術語。任何能夠讀取數據並理解其功能的推理系統必須要處理海量數據。
模糊：用戶查詢往往不是很具體，有時候可能非常模糊，只能用模糊邏輯處理模糊性。
不確定：互聯網處理大量不確定的價值。例如，有些患者可能會出現一組症狀，對應於許多不同的不同診斷，每個診斷的概率都不同。概率推理技術通常用於解決不確定性。
不一致：前後矛盾的數據可能會導致邏輯上的沖突以及不可預期的分析結果。
欺詐：雖然人工智慧可以過濾數據，但是如果所有提供的數據都是故意錯誤和誤導的呢？應用加密技術可以有效預防這個問題。
增加信息連接：語義網路將有助於在線數據的連接。
高效搜索
有效營銷
高效網路瀏覽
有效溝通
改變人類互動
對設備要求較高，落後的設備難以滿足Web 3.0的要求。
大浪淘沙，3.0時代， 1.0時期網站更過時了。
相對復雜，新手理解起來很困難。
盡管面臨許多挑戰，但營長相信Web 3.0的發展仍然是大勢所趨。
Web 3.0有很多優勢，例如：
同時，它也有一些不足，主要包括：
人類正處於真正的互聯網革命的邊緣，Web 3.0的實現確實存在一些挑戰，但它能給我們的生活帶來的純粹創新卻是難以置信的。
目前關於Web 3.0雖然有很多炒作，但我們仍然需要一些實際用例來真正理解它可以給我們的生活帶來哪些積極變化。
在這方面，區塊鏈也是一個很好的連接場景。讓我們拭目以待！