-
机器学习：行为数据（搜索历史，点击历史，浏览历史，评价），NOsql(分布式和CAP).对数据一致性要求不是很高； 数据分析：交易数据（话费账单，用户订单，存取款账单，和钱有关）转账：事务保证（划走金额，转入金额），对数据一致性要求很高。查看全部
-
5、互联网广告 CTR预估算法（线性的逻辑回归）：点击率的预估->百度搜索 6、推荐系统（类似于购物篮分析） 协同过滤算法，淘宝商品推荐查看全部
-
3、垃圾邮件识别 朴素贝叶斯算法 4、信用卡欺诈 风险识别、欺诈识别。决策树算法查看全部
-
2、用户细分精确营销 把用户消费的数据利用聚类算法，可以根据用户信息，自动对用户进行分类 两字，分类。查看全部
-
购物篮分析：关联规则 联想连接 找出规律 纸尿布和啤酒的故事（数据挖掘） 经济学，捆绑销售；更大的利益查看全部
-
历史： 1、基于专家经验 （运维和产品头脑风暴，程序员写逻辑） 2、基于统计---分维度统计。数据分析，受限于数据分析人员的经验(数据报表，:联机事务处理OLAPP(on-line transaction processing)) 3、机器学习： 模式①离线机器学习，每天定时更新,跑算法，生成一个新的模型，循环，生成新的模型。对昨天数据的研究，用算法分析形成一个模型，指导明天的活动。缺点：存在偶然性，没法给出正确的模型，如双11的集中购物。 模式②在线机器学习，实时的数据进行分析，不断的形成模型对用户进行指导查看全部
-
expert（专家）的主观性和片面性 从历史数据中找出规律，把这些规律用到对未来自动作出决定。 用数据代替expert； 经济驱动，数据变现； 大数据：字面意思就是公司里的数据量变大了。查看全部
-
《概率论》《数据统计》是机器学习的基石 传统的统计学，抽取一定量的样本然后 进行概率统计，然后得到结论 之后进行假设检验 传统的统计学受运算能力的限制，所以是用抽样的方式； 而现在计算能力足够强，就不需要采用抽样的方式了。 做数据分析要对数据进行量化，才方便计算、比较。 传统统计：抽样-描述统计-结论-假设检验-推断 机器学习不受计算量的限制，直接跳过抽样 统计学受限于计算能力，依赖于采样的方法，再反作用于原来的数据。步骤：抽样-->描述统计-->结论-->假设检验。 现在无需考虑数据量的问题，无需抽样技术，直接全样。可利用可视化技术来观察数据。要进行数据分析，需要先进行量化，用模型拟合规律，函数-->函数曲线-->拟合。高维度时很难用可视化的方法，只能用数学运算。查看全部
-
5、互联网广告 CTR预估算法：点击率的预估 6、推荐系统（类似于购物篮分析） 协同过滤算法，电商的推荐查看全部
-
关联规则算法查看全部
-
common算法查看全部
-
高级一点查看全部
-
高级一点的算法查看全部
-
常见算法查看全部
-
常用算法查看全部
举报
0/150
提交
取消