chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

通過和一些朋友交流，發(fā)現(xiàn)目前一些數(shù)據(jù)分析師，其實不是很清楚機器學(xué)習(xí)可以如何應(yīng)用于業(yè)務(wù)，也不清楚自己到底要不要去學(xué)習(xí)算法知識。實際業(yè)務(wù)中一些復(fù)雜算法場景例如商品推薦、內(nèi)容推薦、匹配策略等，其實都需要數(shù)據(jù)分析師做大量的探索驗證工作。分析師前期可以為建模指導(dǎo)方向，中后期也為模型的優(yōu)化提供一些新的思路與數(shù)據(jù)洞察，此外用算法還可以大大提升分析效率與分析科學(xué)性。今天，就讓我們詳細的來了解一下數(shù)據(jù)分析師與算法的前世今生。

本篇目錄：

一、對算法的一些理解

二、哪些場景下需要用到機器學(xué)習(xí)算法

三、算法的產(chǎn)出物及形態(tài)，如何應(yīng)用于業(yè)務(wù)

四、為什么數(shù)據(jù)分析師需要會機器學(xué)習(xí)

五、數(shù)據(jù)分析師與算法工程師的職責(zé)差異

六、實際業(yè)務(wù)中如何分工配合可以效用最大化

七、數(shù)據(jù)分析師應(yīng)該掌握的程度

在講分析師與算法之前，先來理解一下什么是算法（Algorithm），專業(yè)術(shù)語在很多書籍、文章里面都有分別的定義，通俗一點理解，大致上可以認為算法是為了解決某個問題的固定化計算方法與步驟。拆解一下上面這句話：

• 目的：為了解決某個/某類問題，需要在這之前了解到背后的業(yè)務(wù)背景、關(guān)聯(lián)場景；

  
  

• 方法：通過計算來實現(xiàn)，也就意味著需要具備具體的、可量化的信息輸入，且可計算，而非不可執(zhí)行的概念體；

  
  

• 步驟：有先后順序，先做什么然后做什么最后做什么，每個過程之間還必須具備可行性，執(zhí)行次數(shù)也一定是有限的；

   

• 結(jié)論：是否能夠解決這個問題，效果如何，最終必須得有一個產(chǎn)出物。在算法之外，還有幾層擴展；

  
  

• 決策：根據(jù)一個或者多個結(jié)論進行判斷，這個過程是不是符合預(yù)期的，如何調(diào)整優(yōu)化，是否可直接應(yīng)用于業(yè)務(wù)；

  
  

• 應(yīng)用拓展：除了解決最初的那個問題外，還有哪些同質(zhì)類型的問題也可以得到解決，也就是場景的拓展；

具體的算法搭建過程就不說了，在不少工具書、專業(yè)書、案例書里面都有非常詳細的講解?；氐絾栴}上，什么場景下需要用到算法去解決問題。舉幾個生活里面的例子：

譬如說做菜：為了能吃的更好點，選擇一本合適的食譜來準備食材、輔料，根據(jù)步驟和技巧“小火燉、中火炸、大火炒”，“一炒、二燉、三燜、四涮”，起鍋裝盤；

譬如上學(xué)：從家門出發(fā)，直走50米，第一個十字路口右轉(zhuǎn)，繼續(xù)直行100米，到達公交站，乘402路車，5站后下車，沿人行道繼續(xù)行走200米，左轉(zhuǎn)，再直行150米，最終到達校門；

這些都可以理解為算法，生活里面比比皆是，不過多數(shù)情況下成為了我們習(xí)慣的一種方式罷了。

  哪些場景下需要用到機器學(xué)習(xí)算法

1、 供需匹配的問題

量變產(chǎn)生質(zhì)變，過去的十年時間，無論是在B2C，還是B2B、S2B、B2G，我們?nèi)ソ⒂脩舢嬒褡鼍珳薁I銷、做好推薦系統(tǒng)實現(xiàn)千人千面、對用戶進行分層分類打標簽、給用戶的評價信息劃分情緒好壞等等，都是為了更好的去做供需關(guān)系管理匹配。視頻個性化推薦是供需管理，商品個性化推薦是供需管理，網(wǎng)約車是供需管理，供需管理即“ 誰可以找誰消費到一件相對比較合適的東西（內(nèi)容、物品、信息、線索、商機），在這個過程中還可能需要通過哪幾個誰才能打通彼此之間的聯(lián)系?！?/p>

衍生出的問題立馬就出現(xiàn)了，如何從千萬級甚至億級的商品里面去做匹配召回，如何從萬億級的會話內(nèi)容信息中定位線索，如何明確哪些人才是我們目標的特定人群，如何把相應(yīng)的信息通過什么渠道push到最合適的人，如何去做到好的觸達，又如何去回收這些人收到信息之后的反饋效果。

如果只有幾千條數(shù)據(jù)，一個團隊里面10來個人，每個人分個百來條逐一去確認，則不需通過分析也能實現(xiàn)，耗費的只不過是人力上的一些時間投入。所以日常對接需求過程中，接到一個需求時，一般會先進行資源匹配評估，這個事情能不能通過疊人力的方式解決，如果通過線下大概需要花多少人力成本，用一些小樣本數(shù)據(jù)的歸納總結(jié)能不能得出通用的規(guī)則。做調(diào)研然后去推行的成本有多少，產(chǎn)出有多少。再之后才是通過算法方案去解決，投入的工程師要幾人月，設(shè)備資源性能上的要求，能夠持續(xù)多久，可以影響的層面，以及最后的產(chǎn)出估測。最后再綜合考慮，這個投入產(chǎn)出比的情況下，到底是通過小數(shù)據(jù)分析去形成規(guī)則，還是需要通過算法去挖掘特征，以及方案的可持續(xù)性。

大公司里面資源較豐富，往往這兩者會并行。從某種程度也就嚴格的區(qū)分了數(shù)據(jù)分析和數(shù)據(jù)算法間的職責(zé)邊界；而中小企業(yè)資源有限，可能造成分析即算法的現(xiàn)象。

我們發(fā)現(xiàn)，供需匹配過程中涉及的算法，基本都是有監(jiān)督算法，不論是人群分類、商品召回、需求匹配，都可以通過過去的經(jīng)驗進行一個初步標簽建立，然后逐步去對劃分的準確性進行校驗和優(yōu)化。

值得一談的是，在供需的某些場景過程中會并存很多涉及物聯(lián)網(wǎng)的知識，譬如物流調(diào)度、配送匹配、路線優(yōu)化、倉庫建設(shè)等等供應(yīng)鏈優(yōu)化方面的事情，這些場景下除了算法外，還需要去了解下運籌學(xué)的內(nèi)容。

2、異常識別和診斷

異常檢測，在前幾年p2p還沒有暴雷的時候，金融領(lǐng)域里面遍地都是，主要的場景就是風(fēng)控。風(fēng)控的場景細分：

• 信用卡交易反欺詐：分類任務(wù)，GBDT算法 / XGBT算法+LR邏輯回歸;

• 信用卡申請反欺詐：分類任務(wù)，GBDT算法 / XGBT算法+LR邏輯回歸

• 貸款申請反欺詐：分類任務(wù)，GBDT算法 / XGBT算法+LR邏輯回歸;

• 反洗錢：分類任務(wù)，GBDT算法 / XGBT算法+LR邏輯回歸;

金融領(lǐng)域涉及到風(fēng)控的幾乎都是GBDT / XGBT+LR，因為在金融行業(yè)有一個非常特別的屬性：監(jiān)管。對于算法結(jié)果必須有非常好的模型解釋，對于LR模型來說，這是天然的優(yōu)勢，特征可解釋，特征工程清晰，每個特征的貢獻度、相關(guān)程度也可以被統(tǒng)計出來。換了其他深度學(xué)習(xí)的模型，從最終的模型效果上來看，roc/auc/ks的表現(xiàn)沒差，但是解釋性極差，也就造成了很多應(yīng)用上的壁壘。換一個通俗點說法，你很高級，然而并不實用，華而不實。

3、排序

排序之所以單拎出來，它的應(yīng)用場景其實有一定的局限性，但是怎么做好排序，客觀、合理，卻是一個值得去考究的事情。常見的排序應(yīng)用場景有熱點榜單、搜索排序、推薦排序等。

知乎的問題回答排序是一個經(jīng)典的排序應(yīng)用場景，既要保證優(yōu)質(zhì)高贊內(nèi)容可以排在前面被用戶瀏覽，又要保證新增內(nèi)容有一定曝光量，同時需要綜合考慮話題熱度及社區(qū)調(diào)性等多重因素。故需要將回答贊/踩數(shù)量、回答用戶該領(lǐng)域權(quán)威性、贊/踩用戶領(lǐng)域權(quán)威性、回答時間、回答爭議性、回答用戶的歷史畫像特征等綜合權(quán)重進行算法排序。

4、 預(yù)測

數(shù)值預(yù)測與分類預(yù)測都屬于預(yù)測場景。銷售預(yù)測、股票預(yù)測、流量預(yù)測，這些都是常見的預(yù)測場景。11、12年的時候清一色的都會用arima，spss在手天下我有，沒有什么是時序不能解決的。到后面就變成xgboost、LightGBM了。

5、知識圖譜

2012年的時候google推出了一個叫Knowledge Graph的產(chǎn)品，能夠直觀的看到詞和其背后知識的關(guān)系。

很多大公司都已經(jīng)在知識圖譜的建設(shè)上進行布局了，知識圖譜最早的應(yīng)用是提升搜索引擎的能力，隨后在輔助智能問答、自然語言理解、大數(shù)據(jù)分析、推薦計算、物聯(lián)網(wǎng)設(shè)備互聯(lián)、可解釋性人工智能等多個方面展現(xiàn)出豐富的應(yīng)用價值。這幾年推廣比較成功的應(yīng)該是AI輔助司法進行案件判決。

• 信息檢索/搜索：搜索引擎中對實體信息的精準聚合和匹配、對關(guān)鍵詞的理解以及對搜索意圖的語義分析等；

• 自然語言理解：知識圖譜中的知識作為理解自然語言中實體和關(guān)系的背景信息；

• 問答系統(tǒng)：匹配問答模式和知識圖譜中知識子圖之間的映射；

• 推薦系統(tǒng)：將知識圖譜作為一種輔助信息集成到推薦系統(tǒng)中以提供更加精準的推薦選項，知識圖譜+推薦系統(tǒng)；

• 電子商務(wù)：構(gòu)建商品的知識圖譜用于精準匹配用戶的購買意愿和商品候選集，知識圖譜+推薦系統(tǒng)；

• 金融風(fēng)控：利用實體之間的關(guān)系分析金融活動的風(fēng)險以提供在風(fēng)險觸發(fā)后的補救措施（如反欺詐等）；

• 公安刑偵：分析實體和實體之間的關(guān)系獲取案件線索等；

• 司法輔助：法律條文的結(jié)構(gòu)化表示和查詢用于輔助案件的判決等；

• 教育醫(yī)療：提供可視化的知識表示，用于藥物分析、疾病診斷等；

• 社交類業(yè)務(wù)：社交類業(yè)務(wù)具備高度連接的特點，比如好友關(guān)系等，<用戶1，關(guān)注，用戶2>。  

      算法的產(chǎn)出物及形態(tài)，如何應(yīng)用于業(yè)務(wù)

我們最近常聽到的一個詞叫“大數(shù)據(jù)殺熟”，應(yīng)該是算法在業(yè)務(wù)上非常常用的一種應(yīng)用場景。通常來說，算法的產(chǎn)出物有兩種，第一種是算法產(chǎn)出的結(jié)果（分群、分類、預(yù)測值），第二種是算法產(chǎn)出的規(guī)則。

1、產(chǎn)出結(jié)果

其一，降維。無論是對數(shù)據(jù)的分類，還是對數(shù)值的預(yù)測，對業(yè)務(wù)應(yīng)用都可以作為篩選對象，進一步縮小目標，找到清晰的劃分邊界。在一些臨界點上算**減少人力決策成本，從諸多策略中選擇最優(yōu)去做嘗試；

其二，精細化。把結(jié)果作為標簽，結(jié)合CRM、廣告系統(tǒng)、營銷系統(tǒng)，幫助業(yè)務(wù)更便捷、更精準地獲取信息，強化用戶感知，制造新奇感引起用戶注意，設(shè)置規(guī)則以提升用戶使用黏性；

其三，策略。降低成本、提效增益，算法本質(zhì)上解決的就是這兩件事情，算法產(chǎn)出結(jié)果可以有效的支撐策略制定，論證是或否的可行性；

2、產(chǎn)出規(guī)則

很多時候我們往往只會關(guān)注到了結(jié)果本身，準確性、精確率、召回率怎么樣，卻忽略了算法產(chǎn)生的規(guī)則層應(yīng)用。前面提到過的模型可解釋性，其實就是一種規(guī)則的具象化。

在關(guān)聯(lián)分析中，有提到過強相關(guān)、弱相關(guān)、不相關(guān)。作為一名業(yè)務(wù)，他可以說這個產(chǎn)出結(jié)果通過業(yè)務(wù)經(jīng)驗也能知道，而作為分析，則需要把所謂“經(jīng)驗”演繹為規(guī)則，這個規(guī)則就是通過數(shù)字串聯(lián)起來的。

于算法而言，在模型解釋時，也會碰到一些特征具備很強的規(guī)則，但往往容易只看數(shù)據(jù)結(jié)果，卻忽略了其在實際業(yè)務(wù)過程中的意義和因果關(guān)系，于是造成了“算法分析出的結(jié)果不如根據(jù)經(jīng)驗拍腦袋決策”的現(xiàn)象。

為什么數(shù)據(jù)分析師需要會機器學(xué)習(xí)

我們先明確一個概念，即數(shù)據(jù)分析，它既可以作為一個社會中職業(yè)人的附加專業(yè)技能存在，也可以作為一個社會中職業(yè)人的主干職業(yè)進行發(fā)展。

1、多數(shù)情況下，我們僅在迎合這個世界的法則，卻并未去思考它為什么存在

在挖掘分析應(yīng)用的項目中，算法是核心要素，大部分算法的實現(xiàn)原理，都會涉及一些高等數(shù)學(xué)知識。數(shù)學(xué)本身非常抽象，學(xué)的快忘的快，自然而然算法對很多人來說具備某種神秘感。人類的好奇心和上進心，促進了人類的進化與生存，所以我要揭開那層神秘面紗去學(xué)習(xí)。

同樣人也會經(jīng)常高估自己的毅力及短期內(nèi)可取得成果，所以往往是：費勁周折投入大量時間搞明白幾個算法原理實現(xiàn)后，就再也沒有繼續(xù)堅持下去。此時可能走向一個極端，只要能使用第三方的算法庫在自己的電腦中成功運行并能輸出結(jié)果就可以，效果不好就再換一個算法嘗試。

2、 數(shù)據(jù)分析為了達成業(yè)務(wù)目標，可以使用算法來進行快速論證

分析師懂算法非常有必要，最近幾年，數(shù)據(jù)分析師的崗位職責(zé)中，或多或少會寫一些算法相關(guān)要求。我的認知是，初級分析師不需要懂算法即可cover大部分的工作內(nèi)容。但是要想職業(yè)更上一層樓，增強分析的科學(xué)性嚴謹性和效率性，尤其是涉及算法策略驅(qū)動的業(yè)務(wù)類型中，分析師必須懂一些常用機器學(xué)習(xí)算法。

其實分析的重點還是聚焦在對目標問題的拆解、論證與實現(xiàn)上，對于絕大多數(shù)分析師而言，業(yè)務(wù)需求特征大致可歸納為，交付時間短、實現(xiàn)成效快、數(shù)據(jù)維度豐富、結(jié)論支撐足夠、方便報告匯報。大部分業(yè)務(wù)分析的場景都可以通過類似杜邦分析的方法進行層層下鉆拆解，而這個過程對數(shù)學(xué)知識以及算法知識的涉及可能非常少。

業(yè)界已經(jīng)有了非常多成熟的算法應(yīng)用實踐，有的時候為了做數(shù)據(jù)論證和探索，就需要用到類似算法，其目的是用最短的時間找到一個可以去下結(jié)論的突破點。于是在實際應(yīng)用時會碰到一個前提，即每種算法都有其合適的應(yīng)用場景及前置條件，且當具體使用時超級參數(shù)的影響也非常大。所以如果我們不從更高層次去理解和對待算法，那么在實際運用時，就可能如刻舟求劍，難以取得預(yù)想效果或者過早的否掉一個本可以恰當解決當前問題的算法模型，只因為相關(guān)的工作沒有足夠的重視（例如數(shù)據(jù)清洗、特征選取方式不合理）。skl包提供了大量簡單函數(shù)，為了快速運用這些函數(shù)解決實際問題，我們不得不花時間去了解算法的內(nèi)部原理及實現(xiàn)細節(jié)。

建筑設(shè)計師不需要精通制造鋼筋水泥的工藝，但需要了解不同鋼鐵、水泥的性質(zhì)用途及之間配合關(guān)系，道理同樣適用在這個環(huán)節(jié)。

3、分析師要更好成長，橫向知識儲備必不可少

數(shù)據(jù)分析師的成長就像一場馬拉松，需要合理分配時間精力。專注力和自制力是一種稀缺資源，需要用在最合適的地方。經(jīng)常提醒自己的目標是什么，才能把事情做好，對于分析師來說尤其如此。

不僅僅是算法，在這個大的社會環(huán)境下，對于市場、行業(yè)、細分領(lǐng)域、垂直領(lǐng)域、崗位、職業(yè)、技術(shù)、技能、商業(yè)很多個方面都需要有所涉獵，因為分析只是一個技能，把它作為職業(yè)更需要貼切實際場景下做出相應(yīng)合理的策略。

 數(shù)據(jù)分析師與算法工程師的職責(zé)差異

1、數(shù)據(jù)分析師的要求

懂業(yè)務(wù)是前提。視野需要盡可能寬，需要去了解行業(yè)大盤、市場動態(tài)、公司業(yè)務(wù)、商業(yè)模式、業(yè)務(wù)流程，建立自己的認知和判別思維，在指定場景下能夠去用科學(xué)嚴謹?shù)姆椒ǖ贸龊侠斫Y(jié)論；

懂分析是核心。數(shù)據(jù)分析的基本方法原理、專業(yè)高效的數(shù)據(jù)分析方法論、靈活性的組合技巧運用、結(jié)合業(yè)務(wù)的適用分析方法論、高度的數(shù)據(jù)敏感性；

懂匯報是臺階。好的分析離不開好的報告，好的報告離不開好的匯報技巧，在誰的面前怎么說話，說什么話，也是一項技術(shù)活兒；

2、 算法工程師的要求

懂技術(shù)是前提。不同的算法可能用不同的時間、空間或效率來完成同樣的任務(wù)，算法的運行效能需要具備一定的coding技術(shù)支撐；

專業(yè)極其細分。按照研究方向劃分，主要是視頻算法工程師、圖像處理算法工程師、音頻算法工程師、通信基帶算法工程師、信號算法工程師、NLP算法工程師、生物醫(yī)學(xué)信號算法工程師等；

知識深度寬泛。

3、兩者的共性和差異

共性：都需要對數(shù)據(jù)進行探索，發(fā)覺數(shù)據(jù)之間的模式和規(guī)律，從而運用一些列的規(guī)則和公式來解決實際的問題（都要讀統(tǒng)計學(xué)、概率論）；

區(qū)別：數(shù)據(jù)分析通過一些傳統(tǒng)的方法來解決實際問題，門檻低，人人都是數(shù)據(jù)分析，實現(xiàn)效果即可忽略性能；算法工程師的門檻相對較高，需要對原有的方法進行一定程度的創(chuàng)新，來解決特定領(lǐng)域中的問題，且需要保證算法的性能、效果、穩(wěn)定；

 實際業(yè)務(wù)中如何分工配合可以效用最大化

實際業(yè)務(wù)過程中，分析和算法的需求方是存在一定差異的。在協(xié)同上，往往有可能不同部門的人，在做同一件事?？赡軙驗樾枨髮?dǎo)入時的背景、視角不同，造成結(jié)論之間存在差異性。

1、 一個案例

有一些人總是不及時向電信運營商繳錢，如何發(fā)現(xiàn)它們？

數(shù)據(jù)分析：通過對數(shù)據(jù)的觀察，我們發(fā)現(xiàn)不及時繳錢人群里的貧困人口占82%。所以結(jié)論是收入低的人往往會繳費不及時。結(jié)論就需要降低資費；

數(shù)據(jù)算法：通過編寫好的算法自行發(fā)現(xiàn)深層次的原因。原因可能是，家住在五環(huán)以外的人，由于環(huán)境偏遠不及時繳錢。結(jié)論就需要多設(shè)立一些營業(yè)廳或者自助繳費點；

2、 如何協(xié)同

數(shù)據(jù)算法之前，應(yīng)該先進行數(shù)據(jù)的探索分析，通過對業(yè)務(wù)問題的定位和拆解，找到可用的數(shù)據(jù)維度特征，采集數(shù)據(jù)，形成數(shù)據(jù)指標進行各種維度組合的統(tǒng)計分析，得出初步結(jié)論進行匯報，如上：人均收入低建議降低資費；

在業(yè)務(wù)信息聚焦過程中，對發(fā)現(xiàn)出來無法具象描述出來的課題，組織進行專題研究，通過算法的形式構(gòu)建數(shù)據(jù)特征進行深層次挖掘，得出潛在結(jié)論，如上：環(huán)境偏遠建議增加駐點；

之后針對算法產(chǎn)出的結(jié)論，可以進行可行性分析，基于業(yè)務(wù)上的實際訴求，分析選址位置、人群覆蓋、套餐標準等等。

3、小結(jié)

分析和算法在某種程度上來說可以混淆在一起，小團隊里面，1～2個資深的分析也可以hold 。很多事情都是需要自驅(qū)進行，但從實際項目的推進上，通常都是先分析，再專題，繼而深度結(jié)合業(yè)務(wù)分析，再分析驅(qū)動算法迭代，如此反復(fù)。

 數(shù)據(jù)分析師應(yīng)該掌握的程度

 綜上，對于一個專業(yè)數(shù)據(jù)分析師來說，在各個層面需要掌握的能力要求可以如下：

- 行業(yè)知識  ★★★★

- 業(yè)務(wù)了解 ★★★★★

- 分析思維 ★★★★★

- 數(shù)據(jù)處理 ★★★★

- 算法原理  ★★★

- coding能力  ★★★

- 報告撰寫  ★★★★★

- 匯報演講  ★★★★

- 歸納總結(jié)  ★★★★★

- 資源整合  ★★★★