我要网赚

导航菜单

大数据还能火多久?通俗说大数据、人工智能、机器学习之关系_我要网赚

个人怎么利用大数据赚钱        我觉患上很多朋友,对于“年夜数据”、“板滞进修”、“深度进修”等见解挺晕的,不感官的认识,这里,我简单说一下:

        “年夜数据”、“家养智能”、“板滞学习”、“神经收集”、“深度学习”。这多少个词每一每一搀杂在一起,让人不知所云,这里我简单说一下,没有求细节上100%正确,只求能给各位一个感官上的印象,明白说起这多少词时,凡是是都是说甚么。

        首先,“家养智能”这个词。大家说,甚么是人工智能?每个人在本身内心,都有一个特定的人工智能定义。有人觉患上,老版《星际迷航》里“Datas上校”这个东西叫人工智能;有人觉得《机器公敌》里机器人该当叫人工智能;有人认为电影异形里的“大卫”,这么个东西叫人工智能。近一点的,有人认为google开辟的下围棋的系统“AlphaGo”,很吊,这玩意是人工智能;google大脑能经过本身看视频,主动辨认出猫,这就人工智能了;另有公司,咱们经过“人工智能”干了XXXX。。。。。。因此,能够看出,这个词大的没边,因此,真追查起来,谁要说这个词,除了装逼外,你就当他什么都没说就好了。

        以后,“大数据”这个词,也跟“人工智能”这个词同样,大的没边,虚无飘渺的没边,谁如果说这个词而不说具体的东西,你也就当他什么都没说就好了。

【大数据开辟学习材料支付方法】:参加大数据技艺学习交换扣扣群458345782,私信操持员即可收费支付开发工具以及入门学习材料

回过火来,咱们再看“人工智能”这个词。毕竟什么是人工智能?盘算机的神级人物图灵给出了“图灵测试”,定义了人工智能——图灵测试(The Turing test)由艾伦·麦席森·图灵发明,指测试者与被测试者(一个人以及一台机器)隔开的环境下,通过一些安装(如键盘)向被测试者随便提问,进行屡次测试后,假若有高出30%的测试者不能断定出被测试者是人还是机器,那末这台机器就通过了测试,并被认为具备人类智能。(摘自baidu百科)

        下面,图灵神人说神话,伟人听不懂。针对于“人工智能”,用人话讲,假如,某个东西,具备了“学习”、“分类”、“猜测”本领,我们就认为这个东西是智能的。比如,我们说人。我们说诸葛亮,料事如神(猜测本领强)、锦囊妙计(“分类”强)。。。因此,诸葛亮很智能。

        实在,实际中很多题目,都能够转化为分类题目和回归问题,怎么样即“准”又“稳”的把事物分类,是我们追求。比如,我们按照一系列目标,把一个妹子分类为“美丽”、“不美丽”;把某件事按照一系列目标,分为“可以干”、“不可以干”;把某个人,分为“品德好,可以交”、“人渣,不可交”;这种便是二分类问题。也有多分类问题,比如,把一篇文章,分类到“财经音讯”、“娱乐八卦”、“武侠小说”、“黄色小说”。。。。等等多个类面前目今的一类中。

        因此,为了给编个有“智能”的软件,赋予它分类能力呢。简单,用编程语言语言里的判定语句都能行:

    If XXX :

        OOOO

    elif XXXXX :

        oooooo

    else:

    OOOOO

        各位看官大约会笑,这TMD算哪门子的智能。可是,在实际中,就多么用编程语言的特征,编进去的软件,在很多不懂盘算机父辈们眼中,就很智能,即可以把他们镇住。。。。。

        固然,这么low的计划,计算机的神级人物们,是不屑的。毕竟,现实太宏大,对这个宏大的现实建模,对复杂的事物分类,岂能是几个判定语句所能够描摹的。所以,大神们,搞进去很多算法计谋来搞这件事。这下算法,支流的也就那末多,比如说:决议树算法、随机丛林算法、逻辑回归、SVM、淳朴贝叶斯、K最隔壁算法、K均值算法、Adaboost 算法、神经收集算法、马尔可夫算法,另有最近火的“深度学习”算法、加强抵抗网络算法。。。等等。这些算都叫“机器学习”算法。

        讲到这里,各位看官,该当对我们常常讲的“人工智能”、“机器学习”、“深度学习”,这些扑朔迷离的词大约是什么意思,有个感官的认识了。

好了,如今我们谈论“人工智能”、“机器学习”、“深度学习”等等这些词时,具体就谈论这些算法就行了,那些扑朔迷离的见解,留给装逼的人、想要吸收投资的人去说吧。

        从整体实际标的目标来说,来说,这些算法,大体上可分为两类,“神经网络”算法和“深度学习”算法,看成一类,此外的算法作为另一类。

可是,不论怎么样分类,这些算法要想一般的事变,对事物的分类能够到达适用的程度,两个前提是不可或者缺的,那便是“数据”、“计算力”。计算力很好明白,这些算法,都比力复杂,没有强大的CPU、内存等硬件撑持,这些算法,要末不能运行,要末不可企及也运行不完,给不出结果。如果你练习模型,利用这些算法编好步伐后,扔给计算机,它花了半年才计算完,给你打印出结果。你心中,也肯定是一万个“草泥马”飘过。。。。。对付数据的请求,这是因为,这些算法的面前的数学道理,大部分都跟几率论无关。各位看官,如果爱好,可baidu“VC维”实际,针对“深度学习”的可学习惯的理论表明,人类如今也没有研究透,只知道这玩意挺管用,在很多方面效果挺好,科技前沿,给出的表明是用“泛函空间几率论”来解释。但不论怎样说,就是概率论,就是瞎猜。瞎猜嘛,固然是根据越多,猜的的越准,猜的越稳。也就是数据越多,这些算法就会猜的越准,猜的越稳。好了,现在“大数据”,便可以搀杂进来了。没有数据,大概数据很少、数据纬度较少,不够详细,这些算法“巧妇”,也会无米下锅,做不出可口的饭菜的。

        有了所谓的“大数据”和云计算,我们就可以便利的命令这些算法“巧妇”们给我们做饭了。从‘数据’这个“米”的角度说,我们可以HDFS存储更多的米,更丰富的食材;从‘大数据组件’这个锅碗瓢盆的‘工具’角度来说,我们有了spark等组件(利用深度学习算法,比力强大的组件是TensorFlow),有了更强大的计算工具,我们可以利用这些组件挪用这些高大上的分类算法,再加之所谓的“大数据”、“深度学习”、“机器学习”,就可以做出更好吃的饭了。从系统架构上来说,猜嘛。猜对、猜错都是很一般的,大概这么猜分比方过错,换个参数、换个算法 从头猜一下,就猜对了。因此,也就有了“数据挖坑一身功,全靠调参”的说法。这就请求,我们的系统,有更好灵活性,便利我们对针对这些算法“休妻再娶”。

。。。。。。。。。。

        有了下面大体的介绍,针对“大数据”、“人工智能”、“深度学习”、“机器学习”等具体行业使用,我再简单说两句。

        以电商行业为例,有一个概念叫“用户画像”,它是很多系统的底子,比如举荐系统、精准告白系统、大数据风控系统的等等。

        用户画像,是什么呢。说究竟,就是对用户的分类数据。比如说,ID 000001110011,性别:女,性情描摹:萌妹子,性情特色描述,资产形态描述,名誉形态描述,喜好的色彩,宠爱的品牌,大姨妈的日期,上周的购物。。。。。。。。有了这些信息,我们就可以针对这个用户,进行精准的告白营销、精准的购物举荐、本性化的服务。。。。。。

        那么问题来了。现实中,这位妹子注册信息时,性别栏里,大概填的是“男”,年龄栏里填了“5”大概“150”。你怎么知道这个妹子,可能喜好适宜本草的面膜,她又没明确报告你。。。。

        没方法了,只能猜。如果,我们有了对于这位妹子的各种“大数据”,再连合上面的各种算法,就可以猜了。如果这个ID的用户,上购物网站时,常常观赏的是“胸罩”、“卫生巾”等女性用品,我们的算法(机器学习、深度学习等)把他猜成“女性”,是可以明白的。当然,如果是位暖男,为他女朋友、老婆买这些东西,也是可以理解的。如果我们再增加一个纬度的“大数据”,这个ID用户,最近经常看韩剧,那么他是女性可能性,就又提高了。再增加一个纬度的“大数据”,这个ID在某个批评里说“最近刚生完宝宝,听老公说XXXX,我觉的XXXX”。。。。这里,针对这个ID的画像,把他的性别改为“女”,是可以的,是有99.99%的把握的。但也无法打扫0.01%的失常。。。。。

        这个例子中,就把“大数据”、“机器学习”等等热门的概念都搞一块了。。。

现实事变的进程中,环境和限制,也就更多更复杂了。针对各种企业、每个企业,我想都在某些时候,有去猜(也就是去分类)某些事情的需要。此时,找猜的“米”时,一看,以前很少数据没保存,无米下锅。没有强人,没多少人会利用这些牛逼的“算法+数据”去猜。更可能是没有数据认识,针对马云口中“DT期间”,没有感官认识,不明白具体是什么意思。。。。。。

        在具体落地的办理计划进程中,数据网络、存储、计算工具等等方面,现在技艺发展的还是可以的。再具体“怎么猜”(是利用if elif else与语句猜,是利用线性模型猜,还是利用“深度学习”猜)的过程中,那就要具体情况具体分析了:

总共才两三中情况,看一眼就知道怎么回事,提炼出规矩,编程成牢固规矩就行了,上深度学习,纯属脑筋有病;

        但像BAT这种至公司,有很多牛叉的研究员,成天研究怎样利用尽量对的数据(“大数据”),比较牛逼的算法计谋(比如“深度学习”等),尽量多猜的更准、更稳。哪怕猜正确率提高1%,那么可能多销售几个亿的商品。。。。。

        现在,语音辨认、机器翻译。等等,实质上,也是“猜”嘛。英语中某个句话猜成中文的意思,有30%准确率,用上深度学习后,猜对的可能性提高到了45%。。。。。某段录音,根据记录的音波,以前猜对概率是85%,积聚的数据多了,用的算法牛逼了,参数调的好点了,猜对概率95%了,这就是进步啊。等到,你说根据话,计算机猜你的意思,猜对的概率是99%了,我想当时,你百度什么东西,就不用输关键词了,对这电脑说就行了。。。。

        但不管怎样,即使是BAT、谷歌等至公司,前沿研究除了外,能为资同族带来间接利润的机器学习算法,现在还是比较简单的机器学习算法为主,比如一些线性模型类的算法(我记得我第一次学线性回归时,在初中数学里的内容),所以,这些算法的道理也是比较简单的。上全国90年月各方面就研究的很透了,只不外当工夫,人类积聚的数据少(数据就在那边,每天都在产成,只不外,那是没有性价比高的记录本领)、计算机的计算能力缺少。。。。。。至于更高大上一些的算法,比如深度学习等,重要用来对系统里的某一些关键改革,增加猜对的概率。严格意义说,跟所谓的“大数据”,没多少间接关连。即使是没有“深度学习”,用其余的算法,要想到达适用效果,所必要的数据量也不用然少。

        回望,很多概念,“火”与不“火”的历程也是有规律可循的。0七、0八、09年时,与“云”无关的很火,什么“私有云”、“私有云”、“混淆云”,十二、1三、14年时,“大数据”很火;现在,1六、17年,“机器学习”、“人工智能”很火。有了“云”架构,我们有了灵活本领的去调节硬件资本,所以要利用搞点事情啊,再加之谷歌的工程师颁发了闻名的三篇论文,全全国的工程师开发了相干软件;因此,后来的“大数据”火了,这时的“火”,更可能是创立“数据堆栈”等存储等阶段,针对数据利用、处理惩罚,也是平凡是简单算法范畴,如统计一下数据,出一些Top榜什么的。。。。后来,有了积累了少数据、更多资本了,我们有什么因由不把跟牛逼的策略、算法搬出来,对数据挖的更深、利用的更好呢。。。。从中可以看出,这些概念火起来,是计算力的进步,是人类网络、存储、加工、处理惩罚、利用信息能力的进步。。。。

————————————————————————————————————————

        首先申明,自己现在杭州一家互联网公司做大数据平台架构师和数据分析师。因此,如下的答复,可能带有自己的视线范围,敬请各位看官理性地指教,讨论。

根据我个人的行业履历来看。现在很多人,对大数据的理解都有些偏偏了。目前,对大数据的支流看法就是"深度学习","人工智能"等很火,很高大上的东西,都必要少量的数据,所以大数据会怎样、怎样。。。。

实在,大数据的面前,是人类处理信息(也就是数据,大家不要认为大数据,这个概念中的"数据",是12345等阿拉伯数字构成的东西,凡是能存电脑里的东西,都是数据)的IT系统的一次革命性升级。这次技术的升级,是继数据库系统后,人类处理数据手段和技能的提拔。上面,我以一个例子,来阐明我们信息处理手段的提拔。

张三是个守业者,每晚到夜市摆摊。因为摊子很小,每天回家后,找一只笔,一个喷鼻烟盒子纸,就可以把账算了、把货盘了,这时,依靠着一只铅笔,一张破纸,就能把该处理的数据信息处理了。后来,摊子轻微大了一点,张三到门口小超市花几块钱买了个计算器,每天在计算器"为零"的帮忙下,再加上一只笔、一张纸把信息处理了。再后来,张三开了个小超市,他处理信息的能力也加强了,用上了Excel、word等软件来处理信息。后来,张三开开了个大超市,其信息处理工具也鸟枪换炮了,用上了进销存操持系统、财务管理系统、人事管理系统。。。。这些系统,在数据存储方面,用数据库,如mysql。在营业处理方面,招几个步伐员,用php、python或者java,写具体的营业处理逻辑(也就是昔时张三在纸上写写画画的处理过程)。这一阶段的IT处理段位,是目前大多数中小企业地点的段位。可以看出,这个段位的IT系统和处理能力有如下缺少:

一、只能处理布局化数据,对少量非布局化数据(翰墨、语音、视频等),处理能力严峻不足。

二、能处理的数据量还是过小,比如,用张破纸,你处理10条数据没问题,给你个计算器,你处理100条数据没压力。用Excel,你处理10万条无压力。给你个mysql,你在千万条数据的级别范畴内增删改查无压力。但是,当你要面对的数据是100亿条级别时,你的数据库、存储、业务处理代码等,就有可能分分钟闹毛病给你看。 留意:利用各种中心件构建分布式关连型数据库集群,是能对付的。此处,各位看官了解我说的什么意思就好,先不要纠结具体技术办理方案。

三、处理的手段繁多,只能跑程序员编好的程序,比较枯燥。只能按着代码逻辑跑,一点都不"智能"。

四、从技术上讲,灵活性还是不足。你的进销存、财务、人事等系统。程序员编完,能用了,也就完了。没有紧张问题和需要变革,也不会去频繁升级、重谈判迭代更新。从这方面讲,也会形成企业在想要XX数据时,发明没有。想要XX成果时,发明要实现的本钱太大。或者,在你的严肃下,你手下的程序员告退了,你满心勉强"我不就是想要个这么小、这么简单的成果么。这小子居然花了那么短工夫弄,还TMD告退了,90后,真是一代不如一代。。。。"。所以,这些,到末端,大多都不明晰之。。。

五、从具体的现实流程上看,流程过长、太慢。比如说,您是集团公司的老总,有一天突发奇想,想到了一个名目,想"看看相干数据"。此时,你的秘书帮你去搞数据了,北京分公司的数据,很快上来了,上海分公司的数据,秘书打了好几遍电话,才要来。山东分公司的说,我们这边忙着陪客户吃饭饮酒了,具体数据没收集呢,您稍等,我帮您问问、查一下。浙江分公司的,数据报上来了,刚放你办公桌上,你刚翻了一下,他们打电话说,数据报错了、漏报了,您稍等,我们构造人力物力,从头帮你核对。。。此时,时间上,少说也一个月过去了,还纷比方定保证数据都精确。数据收集上来,您也不用"分析"了。市场风波幻化,黄花菜都凉了。。。

.......

鉴于此,大数据处理系统来了。有了hadoop、spark、storm、hbase、 Elasticsearch、zookeeper等等大数据工具搭建起来的数据处理集群,张三终究炮换导弹了。

一、有了hdfs,张三可以把从前以为没太大价格的数据保存起来。将来的事,谁知道呢,数据老是要的,说不定以后用的到呢。如果阿里巴巴没有保存、整理用户的买卖业务数据等,花呗、借呗等业务,展开起来,几乎就是做梦。巧妇难为无米之炊。

2、有了spark等编程框架,你的业务处理流程,也更加灵活和牛逼了。你可以用python、java,scala等编写一些剧本似的数据分析程序,尽情地发掘出有价格的东西。这一个个的job,写完后,扔给调节系统,定时,每天早晨让集群帮你跑出来就行了。挺灵活的。

3、挪用一些开发库,你可以玩一些机器学习等高大上的东西。进来吹嘘逼也有料了。

四、创立统一的数据处理中心,再加上互联网的力量,终究可以在可担当的时间范围内得到你想要的数据了,而且数据还能详细,方方面面的数据都有,末端还附有机器人"小优"的"智能"发起和舒适提醒。

五、借助比如storm等及时处理框架,很多结果可以秒级回馈。功能碰到瓶颈了,大不了加机器。反正统统都是分布式的。

.......

我记得13、14年时,大数据最火的时间。在一次电视节目中,李彦宏面对杨澜,大谈大数据,并举例"谷歌利用大数据预测流感。。。。"等等balabala的一大通,满是忽悠套路,没一点干货!!我想大多数人,听到这些东西,日常都不care,说不准还悄悄的骂一句"草,这些关我鸟事"。。。

最近,谈起大数据,很多人都往"人工智能"等高大上的东西上。我想大多数人,特别是中小企业,也不会体贴。那是BAT等大公司的事,我们公司小、数据少,业务也简单。"分析",也是电脑不如人脑。因此,大多人,也因此为,大数据大概是将来,但是,对我来说,好像也没多大用途。如果,这人当时心情欠好,还多数认为"大数据",地道是瞎忽悠。

回到本次话题,针对"大数据能火多久",这个问题,这就要看大数据的实质了。在我眼里,我们业内目前讨论"大数据",应该更偏偏向于看它背后的技术对当前企业IT系统的改造。就如同目前大多数企业以关系型数据库为中心的IT系统同样,现在,我们处理信息的手段中,又增加了新的成员。现在,如果你向老迈发起,我们不要以关系型数据库为核心的各类"进销存"、财务等系统了,部分回退到以Excel、word来处理信息,我信任,他会分分钟扇逝世你。我信任,20年后,你向老板建议,我们保持各类以大数据处理集群为核心的精准营销系统、智能客服系统、用户智能分析系统等等,大家集团回退到以纯关系型数据库为核心的期间;我相信,他也一定会分分钟扇逝世你。

        当前,我们对大数据的理解,越来越清楚和接地气。阿里巴巴曾经经把他们的大数据系统,改名为了"maxComputer"。从名字不难看出,大数据就是大电脑,这象征着更大的信息处理能力、更高的灵活性。。。

        大数据能火多久,如同穿梭到上世纪80年月,去问个人电脑能火多久一样。现在,我们都不会认为"个人电脑"很"火"。由于,它曾经经成为了人类工具箱里一件强大的工具,提高了人类的消吃力。我相信,"大数据",也会成为我们的工具箱里的这么一样工具的。

【大数据开发学习资料领取方法】:参加大数据技术学习交换扣扣群458345782,私信管理员便可收费领取开发工具和入门学习资料

        目前,看知乎里的谜底。很多人讨论起大数据,很多人的看法,还是照搬教科书里的内容。其实,对真正直数据圈而言,大数据已经经落地了。下了凡的七仙女,虽然是仙人,但也成为了田舍媳妇,没太大讨论的须要了。大数据从几年前很火,到现在,从PPT高低凡到数据中心,也就没多大的讨论须要了。用就行了,有啥好瞎bb的。。。。。。   欧洲最大骗税案开审,“掠夺欧洲的男人”出庭披露内幕

  一群由银行家、证券交易员、税务律师等金融从业者组成的欧洲跨国网络,利用税务机构漏洞,在欧洲多国骗税达600亿欧元。

  新京报讯(记者陈沁涵)一群由银行家、证券交易员、税务律师等金融从业者组成的欧洲跨国网络,利用税务机构漏洞,在欧洲多国骗税达600亿欧元,其中德国损失最大。

  他们被称为“掠夺欧洲的男人”。

《卫报》网站报道截图  据《卫报》报道,去年10月,多国媒体的联合调查使这个迄今为止欧洲最大的欺骗性避税案引起全球关注。今年9月18日,德国法院就此案进行庭审,2名涉案英国银行家在波恩出庭,他们参与的骗税操作给德国带来超过55亿欧元的税务损失。

  受到德国检方起诉的英国银行家马丁·希尔兹在法庭讲述了一些骗税内幕。

  651页案情记录,最高10年监禁刑罚

  据《卫报》报道,这个震惊欧洲的骗税案主要涉及两种避税操作,分别名为“CumCum ”和“Cum-Ex”。

  “CumCum”作为一种避税操作方法,主要利用国内外投资者的征税差实现避税。国外投资者股息征税更重,但他们可以将股票短暂卖给相关银行,逃避税收后,再重新收购。

  “Cum-Ex”作为一种股票交易策略,是指股票分发红利的当天,同时进行出售和再次收购行为。交易时间很短,税务机构无法确定股票产权一方到底是谁,由此,买卖双方都可以拿到资本利得税的退税。

  在德国,联邦税务局对资本利得税只征收一次,因此通过该漏洞获得的利益可以进行分配。因此金融从业者和投资人把主要“火力”集中在了德国税务上。

  希尔兹和迪亚布勒从2006年至2011年参与骗税操作,被德国检方以“严重逃税”罪名起诉,相关案情记录多达651页。若罪名成立,两人将面临最高10年监禁。

  18日,希尔兹作为代表带着PPT和激光笔,在法庭阐述了他们的骗税细节。他说,任何一次“Cum-Ex”操作都至少包含12笔交易,需要银行家、证券经纪人、投资人、资产管理人、律师以及税务顾问的参与,缺一不可。

  “这是一个产业性的骗税操作,构建起了庞大的银行和公司网络。”希尔兹说,已有20多家金融机构和银行承认参与过“Cum-Ex”操作。

  据《经济学人》报道,希尔兹在上学时被称为“数学奇才”,他在牛津大学完成工程学和经济管理学的本科学业后,立即收到了世界最大投资银行之一——“美林银行”的录取通知,成为资金交易员。

  从2004年开始,希尔兹和他的上司研究税务漏洞,并设立了一项基金,用于进行“Cum-Ex”操作。他当时的年收入超过1200万欧元,先后在英国肯辛顿街和爱尔兰什鲁斯伯里路购置了近千万欧元的豪宅。

  “我经常问自己,如果有重新来过的机会,我会如何选择。现在答案很显然,我绝不会让自己卷入Cum-Ex丑闻。”希尔兹在法庭反省自己的行为。

  两名英国银行家的庭审将一直持续下去,直至明年1月终审判决。其他涉案人员的审讯工作也将在德国陆续展开。

  如果法院判决“Cum-Ex”案件不仅仅是利用法律漏洞,还涉及违法操作,那么涉案的银行和金融机构也将被追究刑事责任。

  欧洲19家媒体联合调查案件

  “Cum-Ex”骗税丑闻最早于2012年在德国被发现,税务局工作人员在办理一起“Cum-Ex”业务时发现,美国一家养老基金的股票退税有蹊跷,便进行调查,由此引发外界对逃税事件的关注。

  据《经济学人》报道,包括德国《时代周报》、法国《世界报》在内的欧洲12个国家的19家媒体对案件进行了1年的联合调查,于2018年10月发布名为“CumExFiles”的调查报告。

  报告得出结论:因为这种可疑的金融操作,德国、法国、西班牙、意大利、荷兰、丹麦、比利时、奥地利、芬兰、挪威和瑞士这11个欧洲国家损失了至少数百亿的税款。

  在调查时,有记者装扮成亿万富翁,与年轻的证券交易者见面。证券交易者先以金融构架和股市概念做铺垫,然后进入正题,承诺可策划Cum-Ex交易。在记者的诱导下,交易者明确表示利益来自于税款。

  记者们除了亲自“卧底”,还查阅了18万页的相关文件资料,寻找骗税行为的蛛丝马迹。

  在记者进行调查的同时,损失惨重的德国也在进行调查。德国科隆检察官对本国发生的“Cum-Ex”案件进行56个分支调查,搜查到了400多个嫌疑人和涉案公司,包括100多家金融机构。

  德国西部北莱茵-威斯特法伦的司法部长称,这是一系列由白领阶层操控的超乎想象的犯罪案件。

  德国金融中心法兰克福所在的黑森州税务部门也已调查了30余起涉及“逃避股息税”交易的案件,并已追缴税款7.7亿欧元。

  新京报记者 陈沁涵

  编辑周博华校对 李立军

责任编辑:魏雨

最后编辑于:2019-09-22 19:01作者: admin