智能數(shù)據(jù)分析助力應(yīng)用智能化

《智能數(shù)據(jù)分析助力應(yīng)用智能化》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、敬惜——助力您的應(yīng)用智能化根據(jù)情況變化來(lái)合理運(yùn)用知識(shí)以有效地解決問(wèn)題核心問(wèn)題：知識(shí)挖掘關(guān)鍵能力：自學(xué)習(xí)、自適應(yīng)什么是智能化互聯(lián)網(wǎng)、信息爆炸使得我們所面臨的環(huán)境出現(xiàn)了重大的變化：一是海量用戶所導(dǎo)致的需求散亂；二是用戶的需求/興奮點(diǎn)多變且變化迅速。這種情況下就導(dǎo)致傳統(tǒng)IT的先總結(jié)經(jīng)驗(yàn)、積累知識(shí)然后再編寫業(yè)務(wù)應(yīng)用的模式跟不上用戶需求的快速多變。因此從海量的歷史數(shù)據(jù)中直接挖掘知識(shí)而加以應(yīng)用來(lái)有效滿足用戶快速多變的需求就是必然的了。發(fā)揮計(jì)算機(jī)計(jì)算能力強(qiáng)的優(yōu)勢(shì)，直接從海量的歷史數(shù)據(jù)中挖掘知識(shí)，能力形成速度快、反應(yīng)迅速人腦思考問(wèn)題的信

2、息量有限，AI（人工智能）則能同時(shí)處理海量的信息，在快速、大并發(fā)量、精確等方面比人強(qiáng)面對(duì)海量用戶，能以最低的成本實(shí)現(xiàn)個(gè)性化的需求滿足智能化的優(yōu)缺點(diǎn)優(yōu)點(diǎn)計(jì)算機(jī)再先進(jìn)也只是一種機(jī)器，不夠靈活永遠(yuǎn)都是最大的不足人的需求千差萬(wàn)別，AI只適合處理某些需求，也做不到一勞永逸大部分情況下，AI都需要巨大的計(jì)算資源（CPU/內(nèi)存）和較長(zhǎng)的時(shí)間加以復(fù)雜的計(jì)算才能完成知識(shí)的挖掘缺點(diǎn)智能化的再認(rèn)識(shí)人類知識(shí)的形成過(guò)程（意識(shí)、實(shí)踐、經(jīng)驗(yàn)總結(jié)、知識(shí)化）是緩慢而成本高昂的，而且人類知識(shí)如果不夠精確則應(yīng)用起來(lái)也有很大的困難；如果信息量巨大，受限于人腦的

3、處理能力也就無(wú)法形成相應(yīng)的知識(shí)。而AI就是用計(jì)算的復(fù)雜化來(lái)?yè)Q取某些情況下知識(shí)凝聚的快速化、精確化，代價(jià)當(dāng)然是計(jì)算資源的巨大消耗。AI是設(shè)計(jì)好的機(jī)器按既定規(guī)則從海量的歷史數(shù)據(jù)中挖掘出某些知識(shí)，所以其應(yīng)用就只能是數(shù)據(jù)積累豐富且人為因素或外部不可知/不可控因素影響較小的環(huán)境，也就是說(shuō)應(yīng)用場(chǎng)景對(duì)效果好壞的影響比較大，尤其是在講關(guān)系、講變通、講悟性的中國(guó)其應(yīng)用領(lǐng)域的限制較大。知識(shí)就是力量！分類知識(shí)的基礎(chǔ)就是對(duì)事物的識(shí)別，大千世界、萬(wàn)物生滅，如果只針對(duì)單個(gè)事物那人如何一一識(shí)別？所以識(shí)別的前提就是歸類，將相同、相似、相近的事物按其特征

4、進(jìn)行歸納后形成一個(gè)個(gè)的群體，這樣人就不需要去記憶一個(gè)一個(gè)具體的事物而是只要記住特征就可以識(shí)別一群事物了。從一大堆歷史數(shù)據(jù)中提取事物分類的特征并把事物特征和已知類別聯(lián)系起來(lái)就是提取決策規(guī)則。利用決策規(guī)則就可以將一個(gè)新事物分類到某個(gè)已知類別中。知道了事物屬于哪個(gè)已知類，那么就可以利用事物的相似性、相近性對(duì)剛分好類的事物套用該類的其它特征加以利用。如判斷下來(lái)某用戶偏好吃辣那么網(wǎng)站就可以向用戶推薦其所在位置附近的湘菜館。敬惜選取的分類技術(shù)是基于粗糙模糊集的算法，不需要人為的主觀判斷，可以從海量歷史數(shù)據(jù)中直接挖掘出基于用戶偏好的決

5、策規(guī)則粗糙集處理不確定和不精確問(wèn)題的數(shù)學(xué)工具，是智能計(jì)算的基礎(chǔ)理論之一不象模糊集那樣需要人給出一個(gè)主觀的隸屬度函數(shù)，而是從數(shù)據(jù)自身直接處理不確定性，比較客觀，尤其適合人類認(rèn)知不多、數(shù)據(jù)量巨大的情況，如電商網(wǎng)站的用戶行為模式提取、大型設(shè)備或系統(tǒng)故障檢測(cè)規(guī)則挖掘等核心思想：知識(shí)就是對(duì)事物的分類能力下近似：R(X)_={x

6、(x∈U)∧([x]R?X)}上近似：R(X)ˉ={x

7、(x∈U)∧([x]R∩X≠Φ)}下近似即肯定屬于X的最大子集，上近似即包含X的最小子集，如果兩者不等即意味著X對(duì)于知識(shí)R存在不確定性，也就是說(shuō)知識(shí)R

8、對(duì)于事物X無(wú)法準(zhǔn)確分類利用粗糙集理論就可以通過(guò)對(duì)決策屬性關(guān)于條件屬性的辨識(shí)能力進(jìn)行檢測(cè)與壓縮，從而實(shí)現(xiàn)對(duì)決策規(guī)則的提取現(xiàn)實(shí)情況中會(huì)出現(xiàn)條件屬性相同但決策屬性不同（同一個(gè)人今天吃辣明天吃甜）的不相容現(xiàn)象，所以我們導(dǎo)入了模糊集進(jìn)行支持度判定用戶偏好識(shí)別對(duì)電商來(lái)說(shuō)用戶偏好就是用戶有傾向性的購(gòu)買。因此我們把用戶屬性分為用戶的特征屬性、用戶的行為屬性、用戶的業(yè)務(wù)屬性（用購(gòu)買來(lái)刻畫）。經(jīng)過(guò)這樣的劃分，用戶偏好的識(shí)別就是從海量的歷史交易記錄中把用戶屬性和產(chǎn)品的業(yè)務(wù)屬性之間的關(guān)聯(lián)關(guān)系找出來(lái)。識(shí)別出了用戶偏好，我們就可以：對(duì)老用戶進(jìn)行預(yù)分

9、類，使之下一次登錄時(shí)就可以根據(jù)其偏好對(duì)其界面、產(chǎn)品推薦、廣告展示等進(jìn)行個(gè)性化的定制，以促進(jìn)有效點(diǎn)擊率的提高對(duì)當(dāng)前用戶的興趣點(diǎn)做出及時(shí)的反應(yīng)用戶偏好的個(gè)性化預(yù)測(cè)知識(shí)最大的價(jià)值就是在某些事情尚未發(fā)生前就有所估計(jì)，從而未雨綢繆、提前準(zhǔn)備、不打無(wú)準(zhǔn)備之仗。這在風(fēng)險(xiǎn)識(shí)別、前景評(píng)估、輔助決策等方面有巨大的應(yīng)用價(jià)值。AI中的預(yù)測(cè)是在事情剛發(fā)生時(shí)，根據(jù)當(dāng)前所掌握的不完全的信息就對(duì)目標(biāo)問(wèn)題做出一個(gè)基本判斷。如車壞半路了，根據(jù)用戶看到的幾個(gè)故障現(xiàn)象就預(yù)判故障點(diǎn)所在而不需要全面檢修；剛接觸一個(gè)新客戶，根據(jù)第一次接觸所收集到的信息就預(yù)判成案概率

10、以決定打單的資源投入力度。預(yù)測(cè)是否有效取決于知識(shí)的性質(zhì)，如果知識(shí)是基于因果關(guān)系的，顯然預(yù)測(cè)的結(jié)果更為可信；如果知識(shí)是基于相關(guān)性的，那么在一定程度上還是可信的；如果知識(shí)是基于相似性或相近性的，那么顯然就是僅供參考了。敬惜利用蟻群算法求解貝葉斯網(wǎng)模型的相關(guān)技術(shù)可從歷史數(shù)據(jù)中挖掘出基于因果關(guān)系的貝葉斯網(wǎng)模型，預(yù)測(cè)結(jié)果較為可