一区二区三区日韩精品-日韩经典一区二区三区-五月激情综合丁香婷婷-欧美精品中文字幕专区

分享

產(chǎn)品經(jīng)理,如何入門機(jī)器學(xué)習(xí)

 快讀書館 2018-03-10

作者:howie楊




在生活中,我們會(huì)依靠經(jīng)驗(yàn)來(lái)處理大量的事情,而形成經(jīng)驗(yàn)就需要通過(guò)大量的實(shí)踐,總結(jié)出事物的重要特征和結(jié)果之間的規(guī)律。


比如,我們經(jīng)常會(huì)去超市,在選購(gòu)水果時(shí),會(huì)通過(guò)顏色、形狀等特征對(duì)水果口味進(jìn)行預(yù)判。


那么,我們是怎樣具備的這種預(yù)判經(jīng)驗(yàn)?zāi)兀?/span>


正是由于我們?cè)谏钪衅穱L水果時(shí),不斷積累與發(fā)現(xiàn)的水果的顏色、形狀等特征與口味之間的對(duì)應(yīng)規(guī)律——例如全紅色的蘋果會(huì)比半青色半紅色的要甜一些。


同樣,為了能夠更好的完成工作,我們也需要不斷從實(shí)踐中總結(jié)各種業(yè)務(wù)規(guī)律。


例如,在電商平臺(tái)的用戶購(gòu)物場(chǎng)景中,為了能夠增加用戶的購(gòu)買金額,運(yùn)營(yíng)人員需要設(shè)置為用戶推薦的關(guān)聯(lián)購(gòu)買商品。


此時(shí),為了使推薦出的商品得到最大的轉(zhuǎn)化率,需要運(yùn)營(yíng)人員分析歷史訂單數(shù)據(jù),從中找出商品關(guān)聯(lián)購(gòu)買的規(guī)律。


但是,人工尋找并分析出每一個(gè)商品的關(guān)聯(lián)規(guī)律,并不是一件容易的事情,需要消耗大量的時(shí)間與人力;并且隨著商品不斷推出新款,市場(chǎng)中商品流行趨勢(shì)的變化等因素影響,已經(jīng)形成的規(guī)律也需要不斷進(jìn)行及時(shí)的調(diào)整更新。


那有沒(méi)有辦法,讓計(jì)算機(jī)為我們做類似這樣的總結(jié)規(guī)律的工作呢?


這個(gè)答案正是機(jī)器學(xué)習(xí)技術(shù)。


一、機(jī)器學(xué)習(xí)是什么?


可以將機(jī)器學(xué)習(xí)理解為:讓機(jī)器從大量的數(shù)據(jù)中自行尋找潛在規(guī)律,并應(yīng)用此規(guī)律來(lái)識(shí)別或預(yù)測(cè)新的數(shù)據(jù)。


機(jī)器學(xué)習(xí)所取得的成果稱為模型,這個(gè)模型類似于傳統(tǒng)產(chǎn)品開(kāi)發(fā)出的后臺(tái)服務(wù)程序,在實(shí)際使用中也是通過(guò)前端程序獲取輸入數(shù)據(jù),經(jīng)過(guò)模型處理后輸出結(jié)果。只不過(guò),研發(fā)這個(gè)模型的過(guò)程變化了。


研發(fā)模型并不是通過(guò)研發(fā)工程師編寫而成,也不需要提供嚴(yán)密的業(yè)務(wù)邏輯與判斷流程文檔,而是通過(guò)訓(xùn)練機(jī)器學(xué)習(xí)模型完成。



圖1 機(jī)器學(xué)習(xí)模型


在開(kāi)始訓(xùn)練機(jī)器模型前,必須先為模型準(zhǔn)備一個(gè)唯一的任務(wù)目標(biāo),因?yàn)橐粋€(gè)模型只能完成一個(gè)任務(wù)目標(biāo);然后進(jìn)入訓(xùn)練機(jī)器學(xué)習(xí)模型的三個(gè)步驟,如圖1。


第一步,根據(jù)任務(wù)目標(biāo)確定算法


關(guān)于算法方面,最為主要的算法類型有分類算法、回歸算法和聚類算法等,不同的算法類型可以解決不同的業(yè)務(wù)問(wèn)題。


例如:


  • 分類算法可以識(shí)別或預(yù)測(cè)分類類型

  • 回歸算法可以預(yù)測(cè)連續(xù)型數(shù)值(這里所說(shuō)的連續(xù)型數(shù)值是指包含若干位小數(shù)且取值密集的數(shù)值)

  • 聚類可以挖掘出不同數(shù)據(jù)的分組關(guān)系,從而可以用于數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)。


算法類型下會(huì)很多種有不同的具體算法。


例如分類算法下會(huì)有K鄰近、樸素貝葉斯、隨機(jī)森林等,不同的算法在完成同一的任務(wù)目標(biāo)的訓(xùn)練和應(yīng)用時(shí),會(huì)體現(xiàn)出不同的特性——這里所說(shuō)的特性,包括訓(xùn)練與應(yīng)用需要消耗的計(jì)算資源/存儲(chǔ)資源、應(yīng)用的準(zhǔn)確性等方面。


第二步,根據(jù)算法的學(xué)習(xí)方式準(zhǔn)備好數(shù)據(jù)


這里所說(shuō)的學(xué)習(xí)方式主要有三類:有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。


但在講解學(xué)習(xí)方式之前,需要先了解幾個(gè)概念:


訓(xùn)練樣本 是指為訓(xùn)練機(jī)器學(xué)習(xí)模型所需要準(zhǔn)備的數(shù)據(jù),這里的數(shù)據(jù)可以是圖片、文本或是表格數(shù)據(jù)等。如圖2,是預(yù)測(cè)芒果口味的訓(xùn)練樣本數(shù)據(jù)。


特征 就是樣本數(shù)據(jù)的屬性,如圖2中包含兩個(gè)特征[顏色、大小]。


這里需要強(qiáng)調(diào)的是:在機(jī)器學(xué)習(xí)過(guò)程中,選擇特征是一項(xiàng)非常重要的工作,通常是由在目標(biāo)業(yè)務(wù)領(lǐng)域中有較多經(jīng)驗(yàn)的人參與,并且過(guò)程中需要發(fā)揮很多智力行為——因?yàn)樘卣鬟x擇的好壞直接決定最終模型的好壞。


例如上面的案例中,如果增加包裝類型的屬性,也許就與芒果口味的關(guān)系不大了。


類似增加這種無(wú)關(guān)或相關(guān)性非常低的特征,不但需要投入更多的計(jì)算資源,而且還可能對(duì)訓(xùn)練的模型產(chǎn)生干擾。


特征值 就是樣本數(shù)據(jù)對(duì)應(yīng)特征的參數(shù)值。


標(biāo)記 可以理解為樣本數(shù)據(jù)的結(jié)果,是機(jī)器學(xué)習(xí)模型將要預(yù)測(cè)的目標(biāo)數(shù)據(jù)。如圖2,口味便是標(biāo)記項(xiàng)。



圖2 樣本數(shù)據(jù)


接下來(lái)講解三種學(xué)習(xí)方式,這三種方式的區(qū)別在于訓(xùn)練樣本中是否會(huì)包含標(biāo)記值。


有監(jiān)督學(xué)習(xí)


是指訓(xùn)練樣本中的所有樣本數(shù)據(jù)都包含標(biāo)記值的學(xué)習(xí)方式。這種方式將學(xué)習(xí)到特征值與標(biāo)記值之間的對(duì)應(yīng)規(guī)律。


在很多情況下,樣本數(shù)據(jù)的標(biāo)記值是由人工標(biāo)記的,例如在準(zhǔn)備語(yǔ)音識(shí)別訓(xùn)練樣本時(shí),是由人工標(biāo)記的文本信息。


因此也不難看出,為了得到帶有標(biāo)記值的樣本數(shù)據(jù),是需要付出大量的人工處理工作。


無(wú)監(jiān)督學(xué)習(xí)


是指訓(xùn)練樣本中的所有樣本數(shù)據(jù)都不包含標(biāo)記值的學(xué)習(xí)方式。


當(dāng)需要了解一組數(shù)據(jù)存在的分組關(guān)系時(shí),便可以用到無(wú)監(jiān)督學(xué)習(xí)。


半監(jiān)督學(xué)習(xí)


是指訓(xùn)練樣本中只有部分樣本數(shù)據(jù)包含標(biāo)記值的學(xué)習(xí)方式。


當(dāng)沒(méi)有足夠人力標(biāo)記所有的樣本數(shù)據(jù),并且稍稍降低對(duì)模型預(yù)測(cè)精度的要求時(shí),便可以使用半監(jiān)督學(xué)習(xí)。


相比無(wú)監(jiān)督學(xué)習(xí)會(huì)有較高的精度,相比有監(jiān)督學(xué)習(xí)可以大幅降低人工標(biāo)記成本。


例如,在擁有上百萬(wàn)篇文章資訊類的網(wǎng)站中進(jìn)行文章分類標(biāo)記,便可以采用半監(jiān)督學(xué)習(xí),只需要對(duì)訓(xùn)練樣本進(jìn)行少量的人工標(biāo)注處理,便可以得到較高精度的分類結(jié)果。


第三步,使用訓(xùn)練樣本數(shù)據(jù)與算法進(jìn)行模型的訓(xùn)練


本步驟首先需要由AI工程師進(jìn)行算法的參數(shù)設(shè)置,之后進(jìn)入機(jī)器自我訓(xùn)練的過(guò)程;該過(guò)程可能會(huì)需要很長(zhǎng)時(shí)間,甚至是幾天時(shí)間。


這個(gè)步驟需要注意三點(diǎn):


  1. 由于機(jī)器學(xué)習(xí)算法執(zhí)行過(guò)程具有一定的隨機(jī)性,在保持算法、數(shù)據(jù)與算法參數(shù)不變的情況下,多次運(yùn)行機(jī)器學(xué)習(xí)訓(xùn)練后得到的結(jié)果可能不相同;

  2. 為了能夠訓(xùn)練出較高性能的模型,通常會(huì)同時(shí)選擇多個(gè)算法進(jìn)行訓(xùn)練,并對(duì)訓(xùn)練結(jié)果進(jìn)行比較,最終選擇最高性能的模型投入使用;

  3. 機(jī)器學(xué)習(xí)訓(xùn)練得到的模型是個(gè)“黑箱”,一般情況下不可能通過(guò)調(diào)整模型來(lái)優(yōu)化機(jī)器學(xué)習(xí)模型的性能。


到現(xiàn)在為止,我們通過(guò)訓(xùn)練得到了一個(gè)機(jī)器學(xué)習(xí)模型,該模型可以嵌入到前端程序中用于識(shí)別或預(yù)測(cè)任務(wù)。


上文說(shuō)過(guò),不同的算法類型能夠解決不同類型的問(wèn)題,而入門機(jī)器學(xué)習(xí)最多被提及的算法類型有分類算法、回歸算法與聚類算法,那么下面就詳細(xì)講解這三種算法類型。


二、機(jī)器學(xué)習(xí)中的分類、回歸與聚類


1. 分類算法


分類算法是一種有監(jiān)督學(xué)習(xí),目標(biāo)是學(xué)習(xí)到訓(xùn)練樣本數(shù)據(jù)中多個(gè)特征值與標(biāo)記值的對(duì)應(yīng)規(guī)律,訓(xùn)練出模型稱為分類器;使用訓(xùn)練好的分類器,輸入新數(shù)據(jù)的全部特征值時(shí),輸出識(shí)別或預(yù)測(cè)的結(jié)果。


這里所說(shuō)的識(shí)別與預(yù)測(cè),對(duì)于算法模型來(lái)說(shuō)并沒(méi)有實(shí)質(zhì)上的區(qū)別,僅是在實(shí)際使用分類器時(shí),描述業(yè)務(wù)目標(biāo)的方式不同——識(shí)別更強(qiáng)調(diào)對(duì)當(dāng)前信息的辨認(rèn),而預(yù)測(cè)更強(qiáng)調(diào)對(duì)尚未發(fā)生的事情的推測(cè)。


分類算法分為二分類與多分類。


二分類的意思是結(jié)果會(huì)包含正類與反類,比如當(dāng)前任務(wù)是識(shí)別出貓的圖片,那么貓的圖片就為正類,其他圖片就為反類。


多分類可以完成多種類型的識(shí)別,例如在識(shí)別新聞文章類型時(shí),多分類分類器可以識(shí)別出文章屬于經(jīng)濟(jì)、娛樂(lè)、體育等多種類型中的一個(gè)或多個(gè)類型。


通常情況下可以使用多個(gè)二分類分類器的方式實(shí)現(xiàn),這時(shí)先對(duì)問(wèn)題進(jìn)行拆分,然后為拆出的每個(gè)二分類任務(wù)訓(xùn)練一個(gè)分類器。


例如上面的新聞分類例子中,可以拆解為三個(gè)分類器:經(jīng)濟(jì)類型分類器、娛樂(lè)類型分類器、體育類型分類器,其中每一個(gè)分類器都包含一個(gè)正類與一個(gè)反類。


下面講解一個(gè)二分類在業(yè)務(wù)中的應(yīng)用示例。


案例:


一家汽車銷售公司,擁有完備的客戶歷史消費(fèi)和潛在客戶詳細(xì)資料數(shù)據(jù)庫(kù)?,F(xiàn)公司準(zhǔn)備舉辦一次汽車促銷活動(dòng)。為了能夠提升本次促銷活動(dòng)的銷售量,公司準(zhǔn)備為潛在客戶寄送一份精美的汽車銷售材料和一份禮品。但活動(dòng)經(jīng)費(fèi)有限,僅能寄送給1000名潛在客戶。


任務(wù)目標(biāo):選出1000名寄送資料與禮品的潛在客戶,并盡可能最大化這些潛在客戶的購(gòu)買轉(zhuǎn)化率。


應(yīng)用分類算法:


  • 第一步,整理歷史數(shù)據(jù)并確定分類方式。找出類似于本次促銷活動(dòng)的歷史促銷活動(dòng)消費(fèi)數(shù)據(jù)和對(duì)應(yīng)的客戶詳細(xì)資料,并按照是否購(gòu)買車輛將結(jié)果標(biāo)記分為正反兩類,正類為客戶參與相關(guān)促銷活動(dòng)后購(gòu)買了的車輛,反類是沒(méi)有購(gòu)買。

  • 第二步,確定訓(xùn)練樣本數(shù)據(jù)的特征。從客戶的詳細(xì)資料中,分析對(duì)購(gòu)車行為可能有影響的客戶屬性,將這些屬性確定為訓(xùn)練樣本的特征,本例中的特征有:年齡、性別、有無(wú)車、年收入等屬性字段。

  • 第三步,確定選用的分類算法。這里可以選擇邏輯回歸算法、決策樹(shù)算法或是支持向量機(jī)等具體的算法。

  • 第四步,完成模型訓(xùn)練工作。訓(xùn)練完成的模型是一個(gè)二分類分類器,分類器輸出的結(jié)果可以表示成概率形式,即有可能為正類的概率值。如輸入某一客戶數(shù)據(jù),得到0.68的輸出結(jié)果時(shí),可以認(rèn)為這個(gè)客戶購(gòu)買車輛的可能性有68%的概率。

  • 第五步,找出最有可能轉(zhuǎn)化的1000名潛在客戶。此時(shí),可以將所有潛在客戶信息輸入分類器,將得到每一名潛在客戶購(gòu)買車輛的概率值。然后將概率值從大到小排列,選擇前1000名潛在客戶,就完成了本次任務(wù)的目標(biāo)。


2. 回歸算法


回歸算法是一種有監(jiān)督學(xué)習(xí),學(xué)習(xí)目標(biāo)與分類算法相同,也將學(xué)習(xí)到訓(xùn)練樣本數(shù)據(jù)中多個(gè)特征值與標(biāo)記值的對(duì)應(yīng)規(guī)律。


使用訓(xùn)練好的回歸模型,可以對(duì)已知數(shù)據(jù)的未知參數(shù)進(jìn)行估算,在業(yè)務(wù)上可用于對(duì)特定參數(shù)進(jìn)行預(yù)測(cè)。例如:預(yù)測(cè)電影票房、預(yù)測(cè)車流量、預(yù)測(cè)天氣污染指數(shù)、預(yù)測(cè)產(chǎn)品銷量等。


回歸算法與分類算法有一定區(qū)別:


分類算法可以對(duì)數(shù)據(jù)的某個(gè)屬性類別進(jìn)行預(yù)判,這個(gè)類別是由有限個(gè)類型組成。


而回歸可以對(duì)數(shù)據(jù)的某個(gè)參數(shù)值進(jìn)行預(yù)測(cè),這個(gè)參數(shù)值是連續(xù)型的數(shù)值,因此有無(wú)限可能性。


例如:分類算法可以確定如[甜、不甜]這樣的有限分類,而回歸算法可以推算出如天氣溫度25.325°C等這種連續(xù)型數(shù)值。


下面講解一個(gè)應(yīng)用回歸算法預(yù)測(cè)電影票房的示例。


案例:


一家媒體機(jī)構(gòu)希望對(duì)一部即將上映的電影進(jìn)行票房預(yù)測(cè)。該媒體已經(jīng)收集過(guò)眾多電影詳細(xì)資料與歷史的票房數(shù)據(jù),數(shù)據(jù)字段包括:電影名稱、題材、內(nèi)容、導(dǎo)演、演員、編輯、發(fā)行方、票房金額等等。


任務(wù)目標(biāo):收集相關(guān)信息并預(yù)測(cè)即將上映的電影票房數(shù)值。


應(yīng)用回歸算法:


  • 第一步,整理歷史數(shù)據(jù)并確定訓(xùn)練樣本特征。除了上文內(nèi)容,還可以使用影評(píng)數(shù)據(jù)、輿情數(shù)據(jù)等當(dāng)做特征,但這些特征值需要進(jìn)行處理后才能投入使用。例如影評(píng)數(shù)據(jù)可以通過(guò)自然語(yǔ)言處理技術(shù),將影評(píng)內(nèi)容區(qū)分出不同類型,再去應(yīng)用。

  • 第二步,收集預(yù)測(cè)影片的相關(guān)信息。根據(jù)確定的特征項(xiàng),收集目標(biāo)影片當(dāng)前的信息。

  • 第三步,確定選用的回歸算法。這里可以選擇線性回歸、支持向量機(jī)回歸、相關(guān)向量機(jī)等具體的算法。

  • 第四步,完成訓(xùn)練工作。訓(xùn)練完成后,便可以使用模型計(jì)算出指定影片的票房預(yù)測(cè)數(shù)值。在本例中輸出值可以是2830000,代表預(yù)測(cè)票房為283萬(wàn)元。


3. 聚類算法


聚類算法是一種無(wú)監(jiān)督學(xué)習(xí),可以挖掘到樣本數(shù)據(jù)的特征值的潛在相關(guān)性,將具有類似特征值的數(shù)據(jù)進(jìn)行分組。因此,聚類算法可以被用作知識(shí)發(fā)現(xiàn)使用,也被稱為探索性數(shù)據(jù)分析方法。


該算法常被用于市場(chǎng)研究、用戶分組、用戶畫像等分析過(guò)程。


聚類算法與前兩類算法不相同,訓(xùn)練模型時(shí)的樣本數(shù)據(jù)中并不包含標(biāo)記,所以就不能具備對(duì)特定屬性進(jìn)行預(yù)測(cè)的能力。


使用聚類算法時(shí),可以劃分為指定的分組數(shù)目,也可以不確定具體分組數(shù)目;如果不確定分組數(shù)量時(shí),算法會(huì)根據(jù)自身特性計(jì)算出最合適的分組數(shù)目。


劃分好分組后,使用者可以分析分組中的數(shù)據(jù),研究算法劃分的具體原因。


下面講解一個(gè)應(yīng)用聚類算法進(jìn)行市場(chǎng)研究的示例。


案例:


一家筆記本電腦制造公司,準(zhǔn)備研發(fā)一款新型筆記本電腦。現(xiàn)在進(jìn)行初期的市場(chǎng)研究工作,希望能夠根據(jù)市場(chǎng)中筆記本產(chǎn)品的配置、價(jià)格及銷售情況,指導(dǎo)新款筆記本的研發(fā)與市場(chǎng)定價(jià)。


任務(wù)目標(biāo):挖掘出市場(chǎng)中銷售量較高的筆記本產(chǎn)品具有配置特點(diǎn),并找出不同配置類型的定價(jià)情況。


應(yīng)用聚類算法:


  • 第一步,收集相關(guān)數(shù)據(jù)。從各個(gè)電商平臺(tái)收集相關(guān)筆記本電腦的配置信息,如:電腦型號(hào)、品牌、CPU性能、顯卡性能、內(nèi)存大小、硬盤大小、屏幕大小、重量、電池容量、定價(jià)等。并且篩選出銷售量較高的產(chǎn)品。

  • 第二步,確定聚類分析的特征項(xiàng)。在聚類分析中,特征項(xiàng)的數(shù)目不是越多越好,對(duì)于沒(méi)有明顯差異的變量對(duì)聚類分析并沒(méi)有實(shí)質(zhì)的意義,并且可能會(huì)對(duì)結(jié)果造成干擾。因此,可以選擇CPU性能、顯卡性能、內(nèi)存大小、硬盤大小等作為聚類分析的特征項(xiàng)。

  • 第三步,確定選用的聚類算法。這里可以選擇K-means、層次聚類算法、SOM聚類算法等具體的算法。

  • 第四步,完成訓(xùn)練工作。當(dāng)指定聚類算法分為N個(gè)分組時(shí),會(huì)輸出N個(gè)分組的情況。當(dāng)不指定分組數(shù)據(jù)時(shí),會(huì)輸出算法認(rèn)為合適的分組數(shù)量與分組情況。

  • 第五步,分析各組數(shù)據(jù)的相似性特點(diǎn),并為每類分組命名。這一步需要使用者對(duì)每一個(gè)分組內(nèi)的數(shù)據(jù)進(jìn)行詳細(xì)分析,找出其中分組內(nèi)哪些特征值相類似,最終還要為每一個(gè)分組進(jìn)行命名。本例中,需要分析每組筆記本相似的配置項(xiàng),然后為每組數(shù)據(jù)分類命名,最終的命名結(jié)果可能為:配置高顯卡高的分組命名為游戲本、配置一般顯卡低的命名為商務(wù)本、配置高顯卡一般的命名為家用本等等。

  • 第五步,按照每種分組統(tǒng)計(jì)平均價(jià)格。到此為止,就完成了對(duì)市場(chǎng)中銷量較好的筆記本產(chǎn)品的研究,研究結(jié)果可以了解市場(chǎng)中暢銷的筆記本產(chǎn)品的不同配置分組與平均價(jià)格。


三、小結(jié)


本篇為讀者首先介紹了機(jī)器學(xué)習(xí)技術(shù),從大量的數(shù)據(jù)中自行尋找潛在規(guī)律,并應(yīng)用此規(guī)律來(lái)識(shí)別或預(yù)測(cè)新數(shù)據(jù)的技術(shù)。


第二,介紹了機(jī)器學(xué)習(xí)模型的訓(xùn)練過(guò)程:確定算法、準(zhǔn)備數(shù)據(jù)、訓(xùn)練模型。


第三,介紹了機(jī)器學(xué)習(xí)面向業(yè)務(wù)使用中最重要的三個(gè)算法:分類算法、回歸算法與聚類算法。


本文通過(guò)示例的方法幫助讀者入門機(jī)器學(xué)習(xí)算法。但真實(shí)案例中肯定不會(huì)這么簡(jiǎn)單,通常情況下特征項(xiàng)都會(huì)超過(guò)10萬(wàn)個(gè),還需要考慮樣本數(shù)據(jù)對(duì)最終模型可能產(chǎn)生的影響等。


因此,讀者首先要從示例中理解不同的算法能夠解決什么樣的問(wèn)題,然后在深入學(xué)習(xí)機(jī)器學(xué)習(xí)相關(guān)的數(shù)據(jù)預(yù)處理、特征工程、算法調(diào)參、性能評(píng)估等知識(shí)。


產(chǎn)品經(jīng)理需要深入學(xué)習(xí)相關(guān)技術(shù)知識(shí)么?


筆者認(rèn)為:需要根據(jù)實(shí)際應(yīng)用程度進(jìn)行一定程度的深入學(xué)習(xí),原因有以下三點(diǎn):


  1. 不同類型的機(jī)器學(xué)習(xí)算法有不同應(yīng)用場(chǎng)景與價(jià)值,如果不能對(duì)算法類型所解決的問(wèn)題有所認(rèn)知,那么在解決具體業(yè)務(wù)問(wèn)題時(shí)的思路將受到限制;

  2. 同一算法類型下的不同算法,在面向不同數(shù)據(jù)時(shí)會(huì)有不同的性能效果,這里所說(shuō)的性能效果可以簡(jiǎn)單理解為精確度,如果對(duì)算法沒(méi)有了解,那么在實(shí)際項(xiàng)目中可能會(huì)影響研發(fā)周期;

  3. 不同機(jī)器學(xué)習(xí)算法對(duì)硬件計(jì)算能力、數(shù)據(jù)存儲(chǔ)空間有不同要求,并且具體業(yè)務(wù)也會(huì)對(duì)算法的計(jì)算時(shí)間與精度有限制,如果沒(méi)有相關(guān)了解,那么可能會(huì)影響研發(fā)成本。


作者:howie楊

    本站是提供個(gè)人知識(shí)管理的網(wǎng)絡(luò)存儲(chǔ)空間,所有內(nèi)容均由用戶發(fā)布,不代表本站觀點(diǎn)。請(qǐng)注意甄別內(nèi)容中的聯(lián)系方式、誘導(dǎo)購(gòu)買等信息,謹(jǐn)防詐騙。如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容,請(qǐng)點(diǎn)擊一鍵舉報(bào)。
    轉(zhuǎn)藏 分享 獻(xiàn)花(0

    0條評(píng)論

    發(fā)表

    請(qǐng)遵守用戶 評(píng)論公約

    類似文章 更多

    久久精品免费视看国产成人| 日韩欧美一区二区黄色| 国产精品久久男人的天堂| 日本熟女中文字幕一区| 国产专区亚洲专区久久| 日本深夜福利视频在线| 91插插插外国一区二区婷婷| 久久大香蕉精品在线观看| av中文字幕一区二区三区在线 | 中文字幕av诱惑一区二区| 日韩成人中文字幕在线一区 | 日韩色婷婷综合在线观看| 国产黑人一区二区三区| 亚洲视频一区自拍偷拍另类| 午夜亚洲精品理论片在线观看 | 最新午夜福利视频偷拍| 亚洲一区二区精品久久av| 99香蕉精品视频国产版| 伊人久久青草地综合婷婷| 东京热男人的天堂社区| 日韩特级黄片免费在线观看 | 毛片在线观看免费日韩| 中日韩美女黄色一级片| 日本免费一级黄色录像| 国产又大又猛又粗又长又爽| 日韩精品视频一二三区| 久久婷婷综合色拍亚洲| 东京不热免费观看日本| 亚洲国产中文字幕在线观看| 欧美日韩在线视频一区| 麻豆亚州无矿码专区视频| 黄片在线观看一区二区三区| 国产激情一区二区三区不卡| 色婷婷国产精品视频一区二区保健 | 国产免费人成视频尤物| 日韩国产传媒在线精品| 午夜日韩在线观看视频| 久久经典一区二区三区| 亚洲欧美日本成人在线| 黄色美女日本的美女日人| 色一情一乱一区二区三区码|