虎鱼导读在这个被数据主宰的世界中，人希望主宰数据，成为食物链的最顶端，或许这篇文章适合你们。文章介绍的是三个独立专家小组投票选出的十大最有影响力的数据挖掘算法（前五）。1PageRank算法算法是做什么的？PageRank是为了决定一些对象和同网络中的其他对象之间的相对重要程度而设计的链接分析算法(Link Analysis Algorithm)。那么什么是链接分析算法呢？它是一类针对网络的分析算法，探寻对象间的关系（也可成为连接）。举个例子：最流行的 PageRank 算法是 Google 的搜索引擎。尽管他们的搜索引擎不止是依靠它，但 PageRank依然是 Google 用来测算网页重要度的手段之一。解释一下：万维网上的网页都是互相链接的。如果 Rayli.net 链接到了 CNN 上的一个网页，CNN 网页就增加一个投票，表示 rayli.net 和 CNN 网页是关联的。这还没有结束：反过来，来自rayli.net 网页的投票重要性也要根据 rayli.net 网的重要性和关联性来权衡。换句话说，任何给 rayli.net 投票的网页也能提升 rayli.net 网页的关联性。基本概括一下：投票和关联性就是 PageRank 的概念。rayli.net 给CNN 投票增加了 CNN 的 Pagerank，rayli.net 的 PageRank级别同时也影响着它为 CNN 投票多大程度影响了CNN 的 PageRank。那么 PageRank 的0，1，2，3级别是什么意思？ 尽管 Google 并没有揭露PageRank 的精确含义，我们还是能了解它的大概意思。我们能通过下面这些网站的PageRank得到些答案：看到了么？这排名有点像一个网页流行度的竞争。我们的头脑中都有了一些这些网站的流行度和关联度的信息。PageRank只是一个特别讲究的方式来定义了这些而已。PageRank还有什么其他应用呢？ PageRank是专门为了万维网设计的。可以考虑一下，以核心功能的角度看，PageRank算法真的只是一个处理链接分析极度有效率的方法。处理的被链接的对象不止只是针对网页。下面是 PageRank3个创新的应用：芝加哥大学的Dr Stefano Allesina，将 PageRank应用到了生态学中，测定哪个物种对可持续的生态系统至关重要。Twitter 研究出了一种叫 WTF（Who-to-Follow）算法，这是一种个性化的 PageRank推荐关注人的引擎。香港理工大学的 Bin Jiang 使用一种变形的PageRank来预测基于伦敦地形指标的行人移动速率。这算法是监督的还是非监督的？PageRank常用来发现一个网页的重要度关联度，通常被认为是一种非监督学习算法。为什么使用PageRank？可以说，PageRank的主要卖点是：由于得到新相关链接具有难度，算法依然具有良好的鲁棒性。更简单一点说，如果你有一个图或者网络，并想理解其中元素的相对重要性，优先性，排名或者相关性，可以用PageRank试一试。哪里使用过它呢？Google 拥有PageRank 的商标。但是斯坦福大学取得了PageRank 算法的专利权。如果使用 PageRank，你可能会有疑问： 我不是律师，所以最好和一个真正的律师确认一下。但是只要和 Google 或斯坦福没有涉及到商业竞争，应该都是可以使用这个算法的。给出PageRank 的三个实现：1 C++ OpenSource PageRank Implementation2 Python PageRank Implementation3 igraph – The network analysis package (R)2AdaBoost 迭代算法AdaBoost 算法是做什么的？AdaBoost 是个构建分类器的提升算法。也许你还记得，分类器拿走大量数据，并试图预测或者分类新数据元素的属于的类别。但是，提升(boost) 指的什么？提升是个处理多个学习算法（比如决策树）并将他们合并联合起来的综合的学习算法。目的是将弱学习算法综合或形成一个组，把他们联合起来创造一个新的强学习器。强弱学习器之间有什么区别呢？弱学习分类器的准确性仅仅比猜测高一点。一个比较流行的弱分类器的例子就是只有一层的决策树。另一个，强学习分类器有更高的准确率，一个通用的强学习器的例子就是 SVM。举个 AdaBoost 算法的例子：我们开始有3个弱学习器，我们将在一个包含病人数据的数据训练集上对他们做10轮训练。数据集里包含了病人的医疗记录各个细节。问题来了，那我们怎么预测某个病人是否会得癌症呢？AdaBoost 是这样给出答案的：第一轮：AdaBoost 拿走一些训练数据，然后测试每个学习器的准确率。最后的结果就是我们找到最好的那个学习器。另外，误分类的样本学习器给予一个比较高的权重，这样他们在下轮就有很高的概率被选中了。再补充一下，最好的那个学习器也要根据它的准确率赋予一个权重，并将它加入到联合学习器中（这样现在就只有一个分类器了）第二轮： AdaBoost 再次试图寻找最好的学习器。关键部分来了，病人数据样本的训练数据现在被有很高误分配率的权重影响着。换句话说，之前误分类的病人在这个样本里有很高的出现概率。为什么？这就像是在电子游戏中已经打到了第二级，但当你的角色死亡后却不必从头开始。而是你从第二级开始然后集中注意，尽力升到第三级。同样地，第一个学习者有可能对一些病人的分类是正确的，与其再度试图对他们分类，不如集中注意尽力处理被误分类的病人。最好的学习器也被再次赋予权重并加入到联合分类器中，误分类的病人也被赋予权重，这样他们就有比较大的可能性再次被选中，我们会进行过滤和重复。在10轮结束的时候，我们剩下了一个带着不同权重的已经训练过的联合学习分类器，之后重复训练之前回合中被误分类的数据。这是个监督还是非监督算法？因为每一轮训练带有已经标记好数据集的弱训练器，因此这是个监督学习。为什么使用 AdaBoost？AdaBoost算法简单， 编程相对来说简洁直白。另外，它速度快！弱学习器 一般都比强学习器简单，简单意味着它们的运行速度可能更快。还有件事：因为每轮连续的Adaboost回合都重新定义了每个最好学习器的权重，因此这是个自动调整学习分类器的非常简洁的算法，你所要做的所有事就是指定运行的回合数。最后，算法灵活通用，AdaBoost 可以加入任何学习算法，并且它能处理多种数据。AdaBoost 有很多程序实现和变体。给出一些：? scikit-learn? ICSIBoost? gbm: Generalized Boosted Regression Models如果你喜欢Mr.Rogers,你会喜欢下面的算法的…3kNN：k最近邻算法它是做什么的？kNN，或 K 最近邻(k-Nearest Neighbors), 诗歌分类算法。然而，它和我们之前描述的分类器不同，因为它是个懒散学习法。什么是懒散学习法呢？和存储训练数据的算法不同，懒散学习法在训练过程中不需要做许多处理。只有当新的未被分类的数据输入时，这类算法才会去做分类。但在另一方面，积极学习法则会在训练中建立一个分类模型，当新的未分类数据输入时，这类学习器会把新数据也提供给这个分类模型。那么 C4.5，SVM 和 AdaBoost 属于哪类呢？不像 kNN算法，他们都是积极学习算法。给出原因：1 C4.5 在训练中建立了一个决策分类树模型。2 SVM在训练中建立了一个超平面的分类模型。3 AdaBoost在训练中建立了一个联合的分类模型。那么 kNN 做了什么？ kNN 没有建立这样的分类模型，相反，它只是储存了一些分类好的训练数据。那么新的训练数据进入时，kNN 执行两个基本步骤：1 首先，它观察最近的已经分类的训练数据点—也就是，k最临近点（k-nearest neighbors）2 第二步，kNN使用新数据最近的邻近点的分类， 就对新数据分类得到了更好的结果了。你可能会怀疑…kNN 是怎么计算出最近的是什么？ 对于连续数据来说，kNN 使用一个像欧氏距离的距离测度，距离测度的选择大多取决于数据类型。有的甚至会根据训练数据学习出一种距离测度。关于 kNN 距离测度有更多的细节讨论和论文描述。对于离散数据，解决方法是可以把离散数据转化为连续数据。给出两个例子：1 使用汉明距离（Hamming distance ）作为两个字符串紧密程度的测度。2 把离散数据转化为二进制表征。这两个来自Stack Overflow的思路也有一些关于处理离散数据的建议：? KNN classification with categorical data? Using k-NN in R with categorical values当临近的点是不同的类，kNN 怎么给新数据分类呢？当临近点都是同一类的时候，kNN 也就不费力气了。我们用直觉考虑，如果附近点都一致，那么新数据点就很可能落入这同一个类中了。我打赌你能猜到事情是从哪里开始变的麻烦的了…当临近点不是同一类时，kNN 怎么决定分类情况的呢？处理这种情况通常有两种办法：1 通过这些临近点做个简单的多数投票法。哪个类有更多的票，新数据就属于那个类。2 还是做个类似的投票，但是不同的是，要给那些离的更近的临近点更多的投票权重。这样做的一个简单方法是使用反距离(reciprocal distance). 比如，如果某个临近点距离5个单位，那么它的投票权重就是1/5.当临近点越来越远是，倒数距离就越来越小…这正是我们想要的。这是个监督算法还是非监督的呢？因为 kNN 算法提供了已经被分类好的数据集，所以它是个监督学习算法。为什么我们会用 kNN？便于理解和实现是我们使用它的两个关键原因。根据距离测度的方法，kNN 可能会非常精确。但是这还只是故事的一部分，下面是我们需要注意的5点：1 当试图在一个大数据集上计算最临近点时，kNN 算法可能会耗费高昂的计算成本。2 噪声数据(Noisy data)可能会影响到 kNN 的分类。3 选择大范围的属性筛选(feature)会比小范围的筛选占有很多优势，所以属性筛选(feature)的规模非常重要。4 由于数据处理会出现延迟，kNN 相比积极分类器，一般需要更强大的存储需求。5 选择一个合适的距离测度对 kNN 的准确性来说至关重要。哪里用过这个方法？有很多现存的 kNN 实现手段：? MATLAB k-nearest neighbor classification? scikit-learn KNeighborsClassifier? k-Nearest Neighbour Classification in R是不是垃圾，先别管了。先读读下面的算法吧….4Naive Bayes 朴素贝叶斯算法算法是做什么的？朴素贝叶斯（Naive Bayes）并不只是一个算法，而是一系列分类算法，这些算法以一个共同的假设为前提：被分类的数据的每个属性与在这个类中它其他的属性是独立的。独立是什么意思呢？当一个属性值对另一个属性值不产生任何影响时，就称这两个属性是独立的。举个例子：比如说你有一个病人的数据集，包含了病人的脉搏，胆固醇水平，体重，身高和邮编这样的属性。如果这些属性值互相不产生影响，那么所有属性都是独立的。对于这个数据集来说，假定病人的身高和邮编相互独立，这是合理的。因为病人的身高和他们的邮编没有任何关系。但是我们不能停在这，其他的属性间是独立的么？很遗憾，答案是否定的。给出三个并不独立的属性关系：? 如果身高增加，体重可能会增加。? 如果胆固醇水平增加，体重可能增加。? 如果胆固醇水平增加，脉搏也可能会增加。以我的经验来看，数据集的属性一般都不是独立的。这样就和下面的问题联系起来了…为什么要把算法称为朴素的(naive)呢？数据集中所有属性都是独立的这个假设正是我们称为朴素（naive）的原因—— 通常下例子中的所有属性并不是独立的。什么是贝叶斯（Bayes）？Thomas Bayes 是一个英国统计学家，贝叶斯定理就是以他名字命名的。点击这个链接可以知道更多贝叶斯定理的内容（Bayes’ Theorem）总而言之，根据给定的一系列属性信息，借用概率的知识，我们可以使用这个定理来预测分类情况。分类的简化等式看起来就像下面的这个式子：我们在深入研究一下..这个等式是什么意思？在属性1和属性2的条件下，等式计算出了A 类的概率。换句话说，如果算出属性1 和2，等式算出的数据属于 A 类的概率大小。等式这样写解释为：在属性1和属性2条件下，分类 A 的概率是一个分数。? 分数的分子是在分类 A条件下属性1的概率，乘以在分类 A 条件下属性2的概率，再乘以分类 A 的概率? 分数的分母是属性1的概率乘以属性2的概率。举个 Naive Bayes 的例子，下面是一个从 Stack Overflow thread (Ram’s answer)中找到的一个好例子。事情是这样的：? 我们有个1000个水果的训练数据集。? 水果可能是香蕉，橘子或者其他（这些水果种类就是类）? 水果可能是长形的、甜的、或者黄颜色的(这些是属性).在这个训练集中你发现了什么？? 500个香蕉中，长的有400个、甜的有350个、黄色的450个? 300个橘子中、没有长的、甜的150个、黄色的300个? 还剩下的200个水果中、长的100个、甜的150个、黄色的50个如果我们根据长度、甜度和水果颜色，在不知道它们类别的情况下，我们现在可以计算水果是香蕉、橘子或者其他水果的概率了。假设我们被告知这个未分类的水果是长的、甜的、黄色的。下面我们以4个步骤来计算所有的概率：第一步：想要计算水果是香蕉的概率，我们首先发现这个式子看起来很熟悉。这就是在属性为长形、甜和黄色的条件下，水果是香蕉类的概率，这个表达更简洁一些：这确实就像我们之前讨论的那个等式。第二步：以分子开始，让我们把公式的所有东西都加进去。像公式一样，把所有的都乘起来，我们就得到了：第三步：不用管分母了，因为计算别的分类时分母是一样的。第四步：计算其他类时也做类似的计算：因为0.252大于0.01875，Naive Bayes 会把长形，甜的还是黄色水果分到香蕉的一类中。这是个监督算法还是非监督算法呢？ 为了得到频数表，Naive Bayes 提供了已经分好类的训练数据集，所以这是个监督学习算法。为什么使用 Naive Bayes？就像你在上面看到的例子一样，Naive Bayes 只涉及到了简单的数学知识。加起来只有计数、乘法和除法而已。一旦计算好了频数表(frequency tables),要分类一个未知的水果只涉及到计算下针对所有类的概率，然后选择概率最大的即可。尽管算法很简单，但是 Naive Bayes 却出人意料的十分精确。比如，人们发现它是垃圾邮件过滤的高效算法。Naive Bayes 的实现可以从Orange, scikit-learn, Weka 和 R 里面找到。5C4.5算法C4.5是做什么的？C4.5 以决策树的形式构建了一个分类器。为了做到这一点，需要给定 C4.5 表达内容已分类的数据集合。等下，什么是分类器呢？ 分类器是进行数据挖掘的一个工具，它处理大量需要进行分类的数据，并尝试预测新数据所属的类别。举个例子吧，假定一个包含很多病人信息的数据集。我们知道每个病人的各种信息，比如年龄、脉搏、血压、最大摄氧量、家族病史等。这些叫做数据属性。现在：给定这些属性，我们想预测下病人是否会患癌症。病人可能会进入下面两个分类：会患癌症或者不会患癌症。 C4.5 算法会告诉我们每个病人的分类。做法是这样的：用一个病人的数据属性集和对应病人的反馈类型，C4.5 构建了一个基于新病人属性预测他们类型的决策树。这点很棒，那么什么是决策树呢？决策树学习是创建一种类似与流程图的东西对新数据进行分类。使用同样的病人例子，一个特定的流程图路径可以是这样的：病人有癌症的病史病人有和癌症病人高度相似的基因表达病人有肿瘤病人的肿瘤大小超过了5cm基本原则是：流程图的每个环节都是一个关于属性值的问题，并根据这些数值，病人就被分类了。你可以找到很多决策树的例子。算法是监督学习还是无监督学习呢？这是一个监督学习算法，因为训练数据是已经分好类的。使用分好类的病人数据，C4.5算法不需要自己学习病人是否会患癌症。那 C4.5 算法和决策树系统有什么区别呢？首先，C4.5 算法在生成信息树的时候使用了信息增益。其次，尽管其他系统也包含剪枝，C4.5使用了一个单向的剪枝过程来缓解过渡拟合。剪枝给结果带来了很多改进。再次，C4.5算法既可以处理连续数据也可以处理离散数据。我的理解是，算法通过对连续的数据指定范围或者阈值，从而把连续数据转化为离散的数据。最后，不完全的数据用算法自有的方式进行了处理。为什么使用 C4.5算法呢？可以这么说，决策树最好的卖点是它们方便于翻译和解释。它们速度也很快，是种比较流行的算法。输出的结果简单易懂。哪里可以使用它呢？ 在 OpenTox 上可以找到一个很流行的开源 Java实现方法。Orange 是一个用于数据挖掘的开源数据可视化和分析工具，它的决策树分类器是用 C4.5实现的。除了上述的5种算法，这里还总结了其他常用的挖掘算法，也许会有你想要的：1.FP-Tree(频繁模式树)算法：这个算法也有被称为FP-growth算法，这个算法克服了Apriori算法的产生过多侯选集的缺点，通过递归的产生频度模式树，然后对树进行挖掘，后面的过程与Apriori算法一致。2.HITS算法：HITS算法是另外一个链接算法，部分原理与PageRank算法是比较相似的，HITS算法引入了权威值和中心值的概念，HITS算法是受用户查询条件影响的，他一般用于小规模的数据链接分析，也更容易遭受到攻击。3.BIRCH算法：BIRCH算法利用构建CF聚类特征树作为算法的核心，通过树的形式，BIRCH算法扫描数据库，在内存中建立一棵初始的CF-树，可以看做数据的多层压缩。4.GSP算法：GSP算法是序列模式挖掘算法。GSP算法也是Apriori类算法，在算法的过程中也会进行连接和剪枝操作，不过在剪枝判断的时候还加上了一些时间上的约束等条件。5.PreFixSpan算法：PreFixSpan算法是另一个序列模式挖掘算法，在算法的过程中不会产生候选集，给定初始前缀模式，不断的通过后缀模式中的元素转到前缀模式中，而不断的递归挖掘下去。6.CBA(基于关联规则分类)算法：CBA算法是一种集成挖掘算法，因为他是建立在关联规则挖掘算法之上的，在已有的关联规则理论前提下，做分类判断，只是在算法的开始时对数据做处理，变成类似于事务的形式。7.RoughSets(粗糙集)算法：粗糙集理论是一个比较新颖的数据挖掘思想。这里使用的是用粗糙集进行属性约简的算法，通过上下近似集的判断删除无效的属性，进行规制的输出。8.gSpan算法：gSpan算法属于图挖掘算法领域。主要用于频繁子图的挖掘，相较于其他的图算法，子图挖掘算法是他们的一个前提或基础算法。gSpan算法用到了DFS编码，和Edge五元组，最右路径子图扩展等概念，算法比较的抽象和复杂。文章来源：伯乐在线预告关注“虎鱼网络大数据分析”，下期十大算法（后五）来袭！T:本文是否让各位看官有所收获？十大算法（后五）将在下期来袭！！！没关注的看官需要赶紧关注~\(≧▽≦)/~错过了小编可不负责哦。虎鱼网络大数据分析(TigerfishNetWork)　
　文章为作者独立观点，不代表大不六文章网立场
的最新文章
本文为数盟原创译文，转载时请务必注明出处为“数盟社区”，并将原文链接置于文首。作者：Michelle Cas说到处理大数据的工具，普通的开源解决方案（尤其是Apache Hadoop）堪称中流砥柱。弗雷斯特调研公司的分析师Mike Gualtieri最近预测，在接下来几年，“100%的大公司”会采用Hadoop。最近我仔细看了下AlphaGo在《自然》杂志上发表的文章，写一些分析给大家分享。但是现在这种情况正在发生改变，正如标准的API简化了应用程序的开发一样，机器学习API也降低了这一领域的门槛，让越来越多的人和企业能够借助技术底蕴深厚的公司所提供的API试水机器学习。“互联网+”概念在政府工作报告中的首次现身，已成为2015年政府工作报告中最为“靓丽”的一笔。我们的公司Idibon——一个专注于自然语言处理（NLP）的旧金山创业公司。在Spark ML和MLlib中的机器学习库使得我们能够创建一个分析任何语言中的文字的机器智能环境，其规模远远超过了Twitter firehose中每秒的字数。如今，大数据日益成为研究行业的重要研究目标。面对其高数据量、多维度与异构化的特点，以及分析方法思路的扩展，传统统计工具已经难以应对。“知识图谱与问答系统前沿技术研讨会”将于4月17日在清华大学FIT大楼多功能报告厅举行，研讨会邀请了NLP国际著名学者林德康做特邀报告，邀请知名青年学者韩先培、鲍捷、刘康和马艳军等做邀请报告。该活动不收费，无需报名，欢迎感兴趣的朋友参加。一个完整的数据分析流程，应该包括以下几个方面，建议收藏此图仔细阅读。完整的数据分析流程：1、业务建模。2、经验分析。3、数据准备。4、数据处理。5、数据分析与展现。6、专业报告。7、持续验证与跟踪。导读据发改委网站消息，4月13日下午，促进大数据发展部际联席会议召开第一次会议。部际联席会议召集人我委徐绍史主任主持会跨境电商的核心价值是减掉中间的环节，以实现用户跟供应商供应链的直接对接导读2016年是淘宝政策大变革的一年，PC端的流量越来越少不说，更有品牌商和KA店铺两座大山横在广大中小卖家眼前。PC2016年PC端流量逐渐减少，PC端中小卖家举步维艰，无线端趁势大起。在无线搜索变化的时候，要更加注重...事实证明，人工智能在很多方面都能帮助人们做很多事，包括军事、生活等，如果我们将它用到好处，将帮助人类更好地在地球上生活下去。本文即将介绍两位来自华盛顿大学的学生做的会说话的手套，详情请继续阅读。5月23日，国家发展改革委、科技部、工业和信息化部、中央网信办在发改委网站发布了《“互联网+”人工智能三年行动实施方案》，明确了人工智能的总体思路、目标与主要任务，详情请点击查看。目前，很多购物中心正在考虑转型为电商，解决目前的困境。虎鱼的移动O2O电商解决方案将帮助您解决这个问题，它包含了现状、困境、解决方案、评估几个方面。详情请继续阅读。跨境进口电商是电商行业最后一块广阔的处女地，这是行内皆知的秘密。然后这块荒蛮疆域的地形和散布其中的物种又是如此错综复杂，往往让身处其中的人心生迷惑，跨境进口电商市场前景如何，存在哪些限制因素，面临什么风险，如何解决，点击继续阅读。随着网络技术的迅猛发展，电子商务的应用，给传统企业的竞争带来了更大的压力，但同时也给传统企业的商务活动带来了新的活力。传统企业做电商选择自建平台or第三方平台又该如何选择，本文通过多个方面为您解答。大数据可以反映很多事情，像日常的人口、车等问题。从不同的数据反映很多事情，我们也可以提早做好预防措施。这是2015年互联网经济最新发展趋势：
1、移动互联网用户平均每天启动APP时近2个小时
2、三线城市呈现出巨大的市场潜力，反超一、二线城市
3、社群营销、新媒体、微商逐步成为新主力
4、90后逐渐成为消费主力，拥有完全多元化、个性化的需求2015即将过去，回顾这一年的技术热点，我们发现在炒糊了的大数据、物联网、云计算、DevOps开发运维之外，机器数据分析已经异军突起，有望成为2016年大数据市场商业价值最大，增长最快的热点。在近日举办的一次论坛上，有美国知名科学家表示，医学界正在悄然掀起一场革命：依靠缜密的大数据分析与现代科学技术，人类的平均寿命神话可能再一次被改写，达到100岁左右。BDTC2015中国大数据技术大会于12月10日在北京召开，会上，启明星辰公司副总裁，CCF大数据专家委员会副秘书长潘柱延代表CCF大数据专家委员会发布了中国大数据技术与产业发展报告（2015），对2016年大数据发展趋势进行了展望，请看大在这个人人都高喊“大数据时代”的今天，数据似乎被提到一个前所未有的高度。无论是个人站长还是大中型公司，亦或是大型跨国集团，无论是网络营销还是线下的市场营销都在意识到数据的重要性，凡是都以数据来说话。但是，据笔者了解，在很多中小型公司和个人站难以让人想象，Simon曾是一位脑肿瘤手术医生，10年后却成为世界排名前十的数据科学家之一。“刚开始觉得《mad MAN》美剧里，设计师的设计Creative特别酷。后来才知道这并不是拍脑袋决定的，需要通过精确的数学模型算出来。”这种认知的对于数据分析初学者来说，总会多多少少犯一些错误，本文总结了数据挖掘中最容易出现的错误，提出相应的解决方法，在此与大家分享。要知道，大数据已不再是数据大，最重要的现实就是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。大数据时代到来，认同这一判断的人越来越多。那么大数据意味着什么，它到底会改变什么？仅仅从技术角度回答，已不足以解惑。大数据只是宾语，离开了人这个主语，它再大也没有意义。我们需要把大数据放在人的背景中加以透视，理解它作为时代变革力量的所以然。五中全会谈到的信息化创新发展的工作，看起来着墨不多，但是实际上对于我们国际国内的经验做了总结。下一步要贯彻落实好。最近10年，没有一个技术名词能像大数据一样深入社会每个阶层，获得这么广泛的关注。大数据被讨论得如此泛滥已经引起警觉，以至于2013年后，真正从事大数据行业的人尽量避免提及这三个字。本文无意对大数据概念做任何修正，评判，或专家论调。只是一些事本文从微博的角度出发，对微博中用户模型的目的、维度和建模任务进行描述，并作为后续微博用户模型相关文章的总述。导读在客户关系管理中，数据不是越多越好，数据有用、有价值才是关键。如何在这些大量的数据中甄选出有导读从1991年Tim Berners-Lee发明了万维网（World Wide Web）开始，到20Google CEO Sundar Pichai 刚刚在官方博客宣布开源自己的最新机器学习系统TensorFlow，并称希望此举有助于机器学习社区通过代码而不是论文来更快地交换想法，然后反过来加速机器学习的研究进展。BATBAT是什么意思? B=百度；A=阿里巴巴；T=腾讯；BAT公司是互联网三大TigerfishNetWorkDMP数据管理平台、大数据分析技术服务、数据交易、直通车精准定向广告、微信营销平台建设与推广、网络高购买力女性数据研究院、RTB广告技术服务、品牌人群画像技术服务、微博营销、京东推广、网络舆情分析服务、企业O2O落地解决方案。热门文章最新文章TigerfishNetWorkDMP数据管理平台、大数据分析技术服务、数据交易、直通车精准定向广告、微信营销平台建设与推广、网络高购买力女性数据研究院、RTB广告技术服务、品牌人群画像技术服务、微博营销、京东推广、网络舆情分析服务、企业O2O落地解决方案。