A. wap和web区别
wap和web的区别如下：
一、访问媒介不一样
wap网站，即wap是无线应用协议的缩写，一种实现移动电话与互联网结合的应用协议标准，wap网站主要是用手机访问；WEB即全球广域网，它是一种基于超文本和HTTP的、全球性的、动态交互的、跨平台的分布式图形信息系统，web网站主要是用电脑访问。
B. 什么是web界面
1、web界面是2015年3月电子工业出版社出版的图书，作者是Bill Scott,Theresa Neil。当前的Web已经进入崭新的时代，《Web界面设计(全彩)》涵盖了在基于独一无二的Web环境下、在创建丰富体验的过程中设计Web界面的最佳实践、模式和原理。
2、web的本意是蜘蛛网和网的意思，在网页设计中我们称为网页的意思。现广泛译作网络、互联网等技术领域。表现为三种形式，即超文本(hypertext)、超媒体(hypermedia)、超文本传输协议(HTTP)等。
3、Internet采用超文本和超媒体的信息组织方式，将信息的链接扩展到整个Internet上。Web就是一种超文本信息系统，Web的一个主要的概念就是超文本连接，它使得文本不再象一本书一样是固定的线性的。而是可以从一个位置跳到另外的位置。可以从中获取更多的信息。可以转到别的主题上。
4、UI专家Bill Scott和Theresa Neil在他们多年实践经验和探索的基础上，总结提炼出了Web界面设计的六大原理--直接了当、简化交互、足不出户、提供邀请、巧用变换和即时反应，并以这六大原理为依托，以当今Web上各类开风气之先的流行网站为示例，向读者展示了超过75种基于富交互构建Web界面的模式，并以简单明了的语言，阐明了数以百计行之有效的最佳实践。
5、书中还给出诸多反模式，即在Web界面设计过程中应该避免的做法。《Web界面设计(全彩)》是迄今为止一部专注于富Web界面设计的经典之作。
6、《Web界面设计(全彩)》既是一本Web界面设计指南，又是一本Web界面实例参考，适合Web界面设计、开发、研究人员、爱好者，以及Web项目管理人员阅读。
7、Web中的富交互设计面临的一个主要挑战就是易发现性。再好的功能，如果用户发现不了，结果仍然等于零。提供邀请是改善易发现性的重要途径。邀请可以提示用户下一步交互操作是什么。由第9和第10章构成的这一部分，将分别从"静态邀请"和"动态邀请"的角度，探讨那些始终在页面上显示邀请和响应用户操作显示邀请的模式。
8、Web智能界面的特点是具有良好的反应能力。这个原理探讨了怎样通过响应操作为用户提供丰富的体验。第13章介绍了一组"查找模式"，包括实时搜索、实时建议、微调搜索和自动完成。第14章介绍了一组"反馈模式"，包括实时预览、渐进展现、进度指示和定时刷新。
9、web管理页面，就是可以在线提交、编辑、删除网站相关栏目的内容后台管理程序。只有管理员分配的用户才能登陆web管理页面。
10、web页面是动态的,能够和数据库进行交互的.，HTML页面是静态的,无法与数据库进行交互.说白了就是不能象那样进行注册,登录的操作之类的。
C. web站点的智能性体现在哪些方面
WWW（World Wide Web）简称3W，也称万维网，也叫做Web系统。是以超文本标注语言HTML（Hyper Text Markup Language）与超文本传输协议HTTP（Hyper Text Transfer Protocol）为基础，能够提供面向Internet服务的、一致的用户界面的信息浏览系统。
WWW它是目前 Internet上最方便最受用户欢迎的信息服务类型，它的影响已远远超出了专业技术范畴，并且已经进入广告、新闻、销售、电子商务与信息服务等各个行业。
Web的特点：
1、Web是图形化的和易于导航的（navigate）
Web 非常流行的一个很重要的原因就在于它可以在一页上同时显示色彩丰富的图形和文本的性能。在Web之前Internet上的信息只有文本形式。Web可以提供将图形、音频、视频信息集合于一体的特性。同时，Web是非常易于导航的，只需要从一个连接跳到另一个连接，就可以在各页各站点之间进行浏览了。
2、Web与平台无关
无论你的系统平台是什么，你都可以通过Internet访问WWW。浏览WWW对你的系统平台没有什么限制。无论从Windows平台、UNIX平台、Macintosh还是别的什么平台我们都可以访问WWW。
3、Web是分布式的
大量的图形、音频和视频信息会占用相当大的磁盘空间，我们甚至无法预知信息的多少。对于Web没有必要把所有信息都放在一起，信息可以放在不同的站点上。
4、Web 是动态的
由于各Web站点的信息包含站点本身的信息，信息的提供者可以经常对站上的信息进行更新。如某个协议的发展状况，公司的广告等等。一般各信息站点都尽量保证信息的时间性。所以Web站点上的信息是动态的。经常更新的。这一点是由信息的提供者保证的。
5、Web是交互的。
Web的交互性首先表现在它的超连接上，用户的浏览顺序和所到站点完全由他自己决定。另外通过FORM的形式可以从服务器方获得动态的信息。用户通过填写FORM可以向服务器提交请求，服务器可以根据用户的请求返回相应信息。
D. web好还是人工智能好
目前来说，web前端技术还是很流行的，生活离不开互联网，网页就是web技术制作的，是永远不会过时的技术。人工智能是近两年开始火热起来的，是未来的一个大趋势。不管是web前端还是人工智能目前应用都非常广泛，未来前景也是十分光明。要说具体哪个好，还真不好定论。
E. 如何实现商业智能FineBI的web部署
ineBI是一个Servlet应用。Servlet是一种服务器端的Java应用程序，具有独立于平台和协议的特性，可以生成动态的Web页面。
它担当客户请求（Web浏览器或其他HTTP客户程序）与服务器响应（HTTP服务器上的数据库或应用程序）的中间层。Servlet是位于Web
服务器内部的服务器端的Java应用程序，由Web服务器进行加载，该Web服务器必须包含支持Servlet的Java虚拟机。因此FineBI必须部署在Web应用服务器如Tomcat、Weblogic、Websphere等下面，启动Web应用服务器时就会加载FineBI这个Servlet，从而交互式地浏览和修改数据。
部署方式有tomcat服务器部署和weblogic服务器部署。
F. 数据库与Web智能的应用领域有那些
数据库没有Web或Windows之分，你所说的Web数据库应当理解成通过Web方式（程序）去访问的数据库。其实这只是一种数据库的访问方法，是一种程序模式，我们称之为B/S。
通过Web访问数据库与常规模式(C/S)在性能上并没有太大的优点，对于开发者来说优点在于程序部署及维护比较容易，对于使用者来说，他并不会感觉到什么？只是在任何只要是能上网的地方就能使用程序了而已(前提是有DNS)。另外一点就是B/S模式的程序可以跨平台（不是所有的）。
G. 智能Web算法的目 录
1 什么是智能Web？ 1
1.1 智能Web应用实例 3
1.2 智能应用的基本要素 4
1.3 什么应用会受益于智能? 5
1.3.1 社交网络 6
1.3.2 Mashup 7
1.3.3 门户网站 8
1.3.4 维基 9
1.3.5 文件分享网站 9
1.3.6 网络游戏 11
1.4 如何构建智能应用？ 11
1.4.1 检查功能和数据 12
1.4.2 获取更多的数据 12
1.5 机器学习、数据挖掘及其他 16
1.6 智能应用中八个常见的误区 17
1.6.1 误区1：数据是可靠的 18
1.6.2 误区2：计算能马上完成 19
1.6.3 误区3：不用考虑数据规模 19
1.6.4 误区4：不考虑解决方案的可扩展性 19
1.6.5 误区5：随处使用同样的方法 19
1.6.6 误区6：总是能知道计算时间 20
1.6.7 误区7：复杂的模型更好 20
1.6.8 误区8：存在无偏见的模型 20
1.7 小结 20
1.8 参考资料 21
2 搜索 22
2.1 用Lucene实现搜索 23
2.1.1 理解Lucene代码 24
2.1.2 搜索的基本步骤 31
2.2 为什么搜索不仅仅是索引？ 33
2.3 用链接分析改进搜索结果 35
2.3.1 PageRank简介 35
2.3.2 计算PageRank向量 37
2.3.3 alpha：网页间跳转的影响 38
2.3.4 理解幂方法 40
2.3.5 结合索引分值和PageRank分值 45
2.4 根据用户点击改进搜索结果 47
2.4.1 用户点击初探 48
2.4.2 朴素贝叶斯分类器的使用 50
2.4.3 整合Lucene索引、PageRank和用户点击 54
2.5 Word、PDF等无链接文档的排序 58
2.5.1 DocRank算法简介 58
2.5.2 DocRank的原理 60
2.6 大规模实现的有关问题 65
2.7 用户得到了想要的结果吗？精确度和查全率 67
2.8 总结 69
2.9 To Do 70
2.10 参考资料 72
3 推荐系统 73
3.1 一个在线音乐商店：基本概念 74
3.1.1 距离与相似度的概念 75
3.1.2 走近相似度的计算 80
3.1.3 什么才是最好的相似度计算公式？ 83
3.2 推荐引擎是怎么工作的 84
3.2.1 基于相似用户的推荐 85
3.2.2 基于相似条目的推荐 94
3.2.3 基于内容的推荐 98
3.3 推荐朋友、文章与新闻报道 104
3.3.1 MyDiggSpace com简介 105
3.3.2 发现朋友 106
3.3.3 DiggDelphi的内部工作机制 108
3.4 像Netflix com那样推荐电影 114
3.4.1 电影数据集的介绍及推荐器 114
3.4.2 数据标准化与相关系数 117
3.5 大规模的实现与评估 123
3.6 总结 124
3.7 To Do 125
3.8 参考资料 127
4 聚类：事物的分组 128
4.1 聚类的需求 129
4.1.1 网站中的用户组：案例研究 129
4.1.2 用SQL order by子句分组 131
4.1.3 用数组排序分组 132
4.2 聚类算法概述 135
4.2.1 基于分组结构的聚类算法分类 136
4.2.2 基于数据类型和结构的聚类算法分类 137
4.2.3 根据数据规模的聚类算法分类 137
4.3 基于链接的算法 138
4.3.1 树状图：基本的聚类数据结构 139
4.3.2 基于链接的算法概况 141
4.3.3 单链接算法 142
4.3.4 平均链接算法 144
4.3.5 最小生成树算法 147
4.4 k-means算法 149
4.4.1 初识k-means算法 150
4.4.2 k-means的内部原理 151
4.5 鲁棒的链接型聚类（ROCK） 153
4.5.1 ROCK简介 154
4.5.2 为什么ROCK这么强大？ 154
4.6 DBSCAN 159
4.6.1 基于密度的算法简介 159
4.6.2 DBSCAN的原理 162
4.7 超大规模数据聚类 165
4.7.1 计算复杂性 166
4.7.2 高维度 167
4.8 总结 168
4.9 To Do 169
4.10 参考资料 171
5 分类：把事物放到它该在的地方 172
5.1 对分类的需求 173
5.2 分类器的概述 177
5.2.1 结构分类算法 178
5.2.2 统计分类算法 180
5.2.3 分类器的生命周期 181
5.3 邮件的自动归类与垃圾邮件过滤 182
5.3.1 朴素贝叶斯分类 184
5.3.2 基于规则的分类 197
5.4 用神经网络做欺诈检测 210
5.4.1 交易数据中关于欺诈检测的一个用例 210
5.4.2 神经网络概览 212
5.4.3 一个可用的神经网络欺诈检测器 214
5.4.4 神经网络欺诈检测器剖析 218
5.4.5 创建通用神经网络的基类 226
5.5 你的结果可信吗？ 232
5.6 大数据集的分类 235
5.7 总结 237
5.8 To Do 239
5.9 参考资料 242
6 分类器组合 244
6.1 信贷价值：分类器组合案例研究 246
6.1.1 数据的简要说明 247
6.1.2 为真实问题生成人工数据 250
6.2 用单分类器做信用评估 255
6.2.1 朴素贝叶斯的基准线 255
6.2.2 决策树基准线 258
6.2.3 神经网络基线 260
6.3 在同一个数据集中比较多个分类器 263
6.3.1 McNemar检验 264
6.3.2 差额比例检验 266
6.3.3 Cochran Q检验与F检验 268
6.4 Bagging: bootstrap聚合（bootstrap aggregating） 270
6.4.1 bagging实例 272
6.4.2 bagging分类器底层细节 274
6.4.3 分类器集成 276
6.5 Boosting：一种迭代提高的方法 279
6.5.1 boosting分类器实例 280
6.5.2 boosting分类器底层细节 282
6.6 总结 286
6.7 To Do 288
6.8 参考资料 292
7 智能技术大汇集：一个智能新闻门户 293
7.1 功能概览 295
7.2 获取并清洗内容 296
7.2.1 各就位、预备、开抓！ 296
7.2.2 搜索预备知识回顾 298
7.2.3 一个抓取并处理好的新闻数据集 299
7.3 搜索新闻 301
7.4 分配新闻类别 304
7.4.1 顺序问题 304
7.4.2 使用NewsProcessor类进行分类 309
7.4.3 分类器 310
7.4.4 分类策略：超越底层的分类 313
7.5 用NewsProcessor类创建新闻分组 316
7.5.1 聚类全部文章 317
7.5.2 在一个新闻类别中聚类文章 321
7.6 基于用户评分的动态内容展示 325
7.7 总结 328
7.8 To Do 329
7.9 参考资料 333
附录A BeanShell简介 334
A.1 什么是BeanShell？ 334
A.2 为什么使用BeanShell？ 335
A.3 运行BeanShell 335
A.4 参考资料 336
附录B 网络采集 337
B.1 爬虫组件概况 337
B.1.1 采集的步骤 338
B.1.2 我们的简单爬虫 338
B.1.3 开源Web爬虫 339
B.2 参考资料 340
附录C 数学知识回顾 341
C.1 向量和矩阵 341
C.2 距离的度量 342
C.3 高级矩阵方法 344
C.4 参考资料 344
附录D 自然语言处理 345
D.1 参考资料 347
附录E 神经网络 348
E.1 参考资料 349
索引 350
H. 薯仔加速器启动WEB智能探测是什么意思
此功能也就是网页智能分析，当网页上有媒体文件时它会自动的加载缓冲，等你看的时候，就不用再等待较长时间，不过个人感觉这项功能并不完善，勾与不勾没有显着差别。
I. 现在国内互联网是Web2.0还是Web3.0
不管你是否相信，社交网络和在线视频流出现之前，互联网就已经存在了。Web1.0甚至在20世纪90年代谷歌出现之前就已经存在了。当时的互联网是由AltaVista和网景公司主导的。
AltaVista搜索引擎创立于1995年，2013年被雅虎关闭。网景公司成立于1994年，旗下的网景浏览器曾全球闻名，但在2003年被美国在线解散。当时，这些互联网只为实体公司提供广告服务。
网页是“只读的”，用户只能搜索信息，浏览信息。正如下面第1张图所展示的：
大多数电子商务网站从性质上讲还是Web 1.0，因为其背后的理念非常简单，面向消费者展示产品，从感兴趣的消费者那里收钱。这些网站往往反应迅速，体验顺畅，但用户的互动程度被降到了最低。
Web 2.0
在Web 1.0之后，互联网的第二次迭代被称作Web 2.0，也就是“可读写”网络。到了2.0时代，用户不仅仅局限于浏览，他们还可以自己创建内容并上传到网页上。
Web 2.0这个概念，最早是在2003年，由O’Reilly传媒副总裁Dale Dougherty提出的。自此以后，Web 2.0浪潮席卷全球。仅仅过了10年，Web 2.0就已经彻底重新定义了市场营销和商务运营。
现在，微博上的大V可以通过一张照片成就或毁掉一个品牌。大众点评上的用户可以通过一条差评就抹黑一家餐厅，甚至点评已经对用户的购买决策起到至关重要的作用。
就像本篇文章第2张图展示的那样，形形色色的社交网站和点评网站，是Web 2.0的代表：
根据一项调研，90%的消费者在购买之前会在线阅读点评，88%的用户会像信任个人推荐一样信任网络点评。
Web2.0的初衷就在于让互联网更加贴近民主，使用户更好的互动。
Web 3.0
在了解什么是Web 3.0之前，先来看下下面这张图，是不是起来很熟悉？
上图是本篇文章的第3张图。每次在亚马逊上购物，网站算法就会看其他人购买了你的这件商品后会继续买什么，然后会把推荐结果展示给你。
这意味着什么？这意味着网站在从其他用户的购买习惯中学习，推断你有可能倾向于哪些产品，并把你可能喜欢的商品推荐给你。简而言之，网站自身有了自主学习能力，变得更加智能。
这就是Web 3.0背后的哲学了。
Web1.0是由内容驱动的，内容来自于商业机构，服务于消费者；
Web 2.0允许用户自主上传内容，分享内容；
Web 3.0使得在线应用和网站可以接收到已经在网络上的信息，并将新的信息和数据反馈给用户。
正如相亲网站eHarmony研发部门高级总监Gian Gonzaga博士所说，Web 3.0可以反馈给我们之前并不知晓的内容。Web 3.0在学习，在理解你是谁，并试图给你一些反馈。
Web 3.0的四大属性
为了更好地理解Web 3.0与Web 1.0和2.0的细微差别和微妙之处，让我们看看Web 3.0的四个属性。
属性一：语义网络
Web3.0的一个关键元素是“语义网络”，“语义网络”由万维网之父Tim Berners-Lee创造，用于表述可以由机器处理的数据网络。
Tim Berners-Lee最初是这样表达他对语义网络的看法的：
“我有一个梦想，网络中的所有计算机能够分析网络中的数据，包括内容、链接、人与计算机之间的往来。语义网络会让这一切成为可能，一旦该网络出现，日常的交易机制、事务以及我们的日常生后都会由机器与机器之间的沟通来处理。人们吹嘘多年的“智能代理”将最终实现。”那么，简单来说，这句话的意思是什么？语义指的究竟是什么？
“我爱比特币”和“我<3比特币”之间有什么区别？
两个句子之间的语法不同，但语义相同。语义处理数据所传达的意义或情感，在我们的例子中，这两个句子表达的是相同的情感。
所以，语义网络和人工智能是Web 3.0的两大基石。语义网络有助于计算机学习数据的含义，从而演变为人工智能，分析处理信息和数据。其核心理念是创建一个知识蛛网，帮助互联网理解单词的含义，从而通过搜索和分析来创建、共享和连接内容。
由于语义元数据，Web 3.0有助于增强数据之间的连接。因此，用户体验会升级到更高层次，所有可用信息将更好地连接起来，最终更有效地被利用。
属性二：人工智能
接下来我们来看人工智能。目前，随着区块链技术的发展，人工智能已经成为最热门和最具创新力的技术。
根据维基网络的说法，“在计算机科学领域，人工智能，有时被称为机器智能，是机器所表现出的智能，与人类和其他动物的自然智能不同。”因此，人工智能将帮助机器变得更加智能，以满足用户的需求。
人工智能允许网站过滤并向用户提供尽可能最好的数据。目前在Web 2.0中，我们已经开始采纳用户意见，以理解特定产品/资产的质量。想想在豆瓣这样的网站，用户可以为电影投票评分，得分较高的电影一般会认为是“好电影”。这样的信息可以帮助我们直接获得“好数据”，避免“坏数据”。
如我们已经提到的，Peer Review（同级评级）是Web 2.0最大的贡献之一。但是，人无完人，人类的建议也并非完全可靠。一部烂片子，也可能因为某种原因得到好评，得分也会上升。人工智能则可以学习如何区分好坏，给我们提供可靠数据。
属性三：三维世界
Web 3.0也会改变互联网的未来，从简单的二维网络发展为更真实的三维网络世界。三维设计在网络游戏、电子商务、区块链、房地产等Web 3.0的网站和服务中得到了广泛的应用。
三维网络的概念听起来可能有点陌生，但很多人已经开始在三维空间中互动了。例如《第二人生》或《魔兽世界》等在线游戏，用户对他们游戏中的人生比真实生活中的人生更加在意。
《第二人生》的创始人Philip Rosedale相信虚拟身份将像电子邮件地址和手机一样普遍。虽然现在听起来虚拟身份似乎还有些遥远。但别忘了，20多年前的1997年，也仅仅只有少数人有电子邮件地址。这样来看，拥有3D虚拟身份的人绝对还会增加。
属性四：无处不在
无所不在是指网络跨越时间与空间，无所不在。Web 2.0时代我们已经获得这项功能，例如在社交媒体网站例如Instagram，用户可以拍照，在线上传或分享，照片可以成为自己的知识产权。图像随处可见，无处不在。
移动设备和互联网的发展将使Web 3.0体验随时随地可用。互联网将不再像Web 1.0那样局限在桌面上，也不再像Web 2.0那样仅仅在智能手机，而是会无所不在。
要实现这一目标，Web 3.0时代，身边的一切事物都是连接在线的，也就是物联网。我们正在缓慢但稳定地向物联网迈进。
Web 3.0应用的挑战
了解了什么是Web 3.0，接下来让我们来看看Web 3.0的应用过程中有哪些挑战。
无边际：互联网是巨大的，它包含了数十亿个页面，仅Snomed CT医学术语就包含了370,000个类目，而现有的技术还不能消除所有语义重复的术语。任何能够读取数据并理解其功能的推理系统必须要处理海量数据。
模糊：用户查询往往不是很具体，有时候可能非常模糊，只能用模糊逻辑处理模糊性。
不确定：互联网处理大量不确定的价值。例如，有些患者可能会出现一组症状，对应于许多不同的不同诊断，每个诊断的概率都不同。概率推理技术通常用于解决不确定性。
不一致：前后矛盾的数据可能会导致逻辑上的冲突以及不可预期的分析结果。
欺诈：虽然人工智能可以过滤数据，但是如果所有提供的数据都是故意错误和误导的呢？应用加密技术可以有效预防这个问题。
增加信息连接：语义网络将有助于在线数据的连接。
高效搜索
有效营销
高效网络浏览
有效沟通
改变人类互动
对设备要求较高，落后的设备难以满足Web 3.0的要求。
大浪淘沙，3.0时代， 1.0时期网站更过时了。
相对复杂，新手理解起来很困难。
尽管面临许多挑战，但营长相信Web 3.0的发展仍然是大势所趋。
Web 3.0有很多优势，例如：
同时，它也有一些不足，主要包括：
人类正处于真正的互联网革命的边缘，Web 3.0的实现确实存在一些挑战，但它能给我们的生活带来的纯粹创新却是难以置信的。
目前关于Web 3.0虽然有很多炒作，但我们仍然需要一些实际用例来真正理解它可以给我们的生活带来哪些积极变化。
在这方面，区块链也是一个很好的连接场景。让我们拭目以待！