- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学与人工智能
【数据挖掘】数据挖掘#商业智能（BI）数据分析挖掘概念
数据挖掘目前在各类企业和机构中蓬勃发展。因此我们制作了一份此领域常见术语总结，希望你喜欢。 商业智能（Business Intelligence）: 分析数据、展示信息以帮助企业的执行者、管理层、其他人员进行更有根据的商业决策的应用、设施、工具、过程。 与人工智能、数据挖掘、统计方法关系密切。 购物篮分析（Market Basket Analysis）: 识别在交易中经常同时出现的商品组合或服务组合，例如经常被一起购买的产品。 文本挖掘（Text Mining）: 对包含自然语言的数据的分析。对源数据中词语和短语进行统计计算，以便用数学术语表达文本结构，之后用传统数据挖掘技术分析文本结构。 网络挖掘/网络数据挖掘（Web Mining / Web Data Mining) : 使用数据挖掘技术从互联网站点、文档或服务中自动发现和提取信息。
3.2K90发布于 2018-02-27 - 来自专栏火星娃统计
GEO数据挖掘3
数据挖掘3 sunqi 2020/7/11 概述 对下载好的基因初步分析，进行PCA分析和热图绘制 PCA 绘制 rm(list = ls()) options(stringsAsFactors = F file = 'step1-output.Rdata') table(group_list) ## group_list ## Control Vemurafenib ## 3 3 # 查看数据 dat[1:4,1:4] ## GSM1052615 GSM1052616 GSM1052617 GSM1052618 ## ZZZ3 11.26970 11.12560 file = 'step1-output.Rdata') dat[1:4,1:4] ## GSM1052615 GSM1052616 GSM1052617 GSM1052618 ## ZZZ3
1.2K31发布于 2020-09-15 - 来自专栏R语言 / Linux
GEO数据挖掘—3
GEO数据挖掘—3 富集分析 （一）GO富集分析（用差异基因做富集） 输入数据 #(1)输入数据 gene_up = deg$ENTREZID[deg$change == 'up'] gene_down save(ego,ego_BP,file = f) } #(3)可视化 #条带图 barplot(ego) barplot(ego, split = "ONTOLOGY", font.size = 10 , #layout = "star", color.params = list(foldChange = gl), showCategory = 3) organism = 'hsa') save(kk.diff,kk.down,kk.up,file = f2) } load(f2) #(3)
53700编辑于 2023-03-20 Python数据挖掘编程基础3
<3>集合a.Python内置了集合这一数据结构，它的概念与数学上集合的概念基本一致。集合的元素是不重复的，而且是无序的。集合不支持索引。 代码清单2-7 创建集合k={1,1,2,3,3}//注意1和3会自动去重，得到{1,2,3}k=set([1,1,2,3,3])//同样地，将列表转换为集合，得到{1,2,3}b.由于集合的特殊性(特别是无序性 代码清单2-8 特别的集合运算f={1,2,3,4}g={1,2,3,5,6}a=f|g//f和g的并集b=f&g//f和g的交集c=f-g//求差集(项在f中，但不在g中)d=f^g//对称差集(项在
17310编辑于 2025-05-09- 来自专栏原创
以智能数据架构，挖掘增长金矿
对很多技术团队来说，在搭建智能数据架构的过程中，或多或少会遇到一些疑惑和挑战，经过多次实践后，有些团队已经破除疑惑，成功探索出一条搭建智能数据架构之路，那么他们是如何实现这一技术的呢？ 个推通过机器学习，构建了独有的冷、热、温标签，用以分析不同群体的基础属性和行为特征，描绘用户的精准画像，最终运用于智能推送和精准营销。 3.谨慎引入新技术栈。 为了避免机器学习平台建设中出现的常见问题，个推的建模平台会提供相应的IDE以及呈现相应特征的管理系统，同时还能提供标准化的ID匹配服务和数据抽取服务，减少工程师的重复工作。 聚美优品大数据高级工程师 贺鹏《大数据3.0流计算与智能决策》 大数据3.0时期，Hadoop第一代、Spark内存计算第二代，早期流计算以及人工智能流计算同时并存。 流计算发展至今，已经具备了CEP这一强大功能，这也是支撑流计算智能化的关键因素所在。
66120发布于 2019-03-12 - 来自专栏智能大数据分析
【机器学习 | 数据挖掘】智能推荐算法
智能大数据分析是指利用先进的技术和算法对大规模数据进行深入分析和挖掘，以提取有价值的信息和洞察。 它结合了大数据技术、人工智能（AI）、机器学习（ML）和数据挖掘等多种方法，旨在通过自动化的方式分析复杂数据集，发现潜在的价值和关联性，实现数据的自动化处理和分析，从而支持决策和优化业务流程。 与传统的人工分析相比，智能大数据分析具有自动化、深度挖掘、实时性和可视化等特点。智能大数据分析广泛应用于各个领域，包括金融服务、医疗健康、零售、市场营销等，帮助企业做出更为精准的决策，提升竞争力。 （3）挖掘频繁项集 在构建FP-tree、项头表和节点链表后，需要从项头表的底部项依次向上挖掘频繁项集。这需要找到项头表中对应于FP-tree的每一项的条件模式基。 接着介绍了智能推荐几种常见的智能推荐算法，包括关联规则和协同过滤等，其中关联规则可以挖掘出物品间的关联关系，依据关联关系的强弱为用户推荐，常见的关联规则算法有Apriori和FP-Growth。
1K10编辑于 2025-01-22 - 来自专栏全栈程序员必看
人工智能万亿市场待挖掘
因此，通过数据挖掘和搜索算法对数据工厂中的知识库和信息库进行分类与关联的技术能力同样是人工智能企业的重要进入门槛。 3、AI应用层实现路径：以Nest为代表的专用智能产品和服务风起云涌 专用智能的应用水平不断提升将推进智能产品和服务的智能化程度。 舆情监测以中文信息处理技术和中文自然语言处理技术为基础，融合了信息检索、文本挖掘等研究技术，提供中文智能信息挖掘与智能分析软件，具有对海量文本内容进行智能检索、智能分析及智能化自动处理的功能，可以解决海量信息的智能分析处理 未来语义识别将和文本挖掘、数据挖掘等技术结合，更多地应用在商业化的领域，发展空间巨大。 深度挖掘大数据形成对企业商业决策的有效支持是行业未来重要发展方向，拓尔思将以此形成自己独特的商业智能应用模式。
2K20编辑于 2022-06-25 黑马-人工智能与数据挖掘
在高校毕业生就业形势复杂的今天，一个领域的相关人才却持续被企业高薪争抢，起薪远超许多传统行业，成为了名副其实的“职场黑马”——这就是人工智能与数据挖掘领域。 这就需要既懂数据挖掘技术，能“淘出真金”，又懂人工智能算法，能“点石成金”的复合型人才。市场上对这类人才的需求呈现爆炸式增长。 核心技术与工具：数据挖掘：精通数据清洗、预处理、特征工程，掌握聚类、分类、关联分析等经典算法。机器学习：深入理解监督学习、无监督学习、强化学习等模型原理与应用场景。 三、职业前景：一条广阔的上升通道选择AI与数据挖掘赛道，意味着选择了一条高成长性的职业路径。 结语：人工智能与数据挖掘作为一匹强劲的“黑马”，正奔驰在时代的最前沿。对于个人而言，它或许意味着一个充满挑战与机遇的职业新起点；对于社会而言，它则是推动产业升级、迈向智能未来的核心驱动力。
37210编辑于 2025-09-12- 来自专栏python3
Python 网络抓取和文本挖掘 - 3
XPath也是一个W3C标准。XPath只能处理DOM，所以必须先将HTML或XML文档加载解析成DOM。在Python中可以用lxml保的etree来 执行DOM解析和XPath查询。 1. 3. xpath路径 对于HTML文档 ，可以用到达该节点的顺序来描述它的位置，如示例文件中元素，它的XPath为"/html/body/div/p/i"，提取该文档节点数据，这个是绝对路径
1.3K20发布于 2020-01-07 - 来自专栏PPV课数据科学社区
数据挖掘系列（3）--关联规则评价
0.91 90557 9.26 0.91 0.91 0.91 0.91 D2 10000 1000 1000 100 12100 0.91 0.91 0 1.00 0.91 0.91 0.91 0.91 D3 201010 0.99 0.01 965 1.97 0.01 0.99 0.50 0.10 我们先来看前面四个数据集D1-D4，从后面四列可以看出，D1,D2中milk与coffee是正相关的，而D3是负相关 卡方和lift还把D3判别为正相关，而实际上他们应该是负相关，M=100+1000=1100，如果这1100中有超过550的购买coffee那么就认为是正相关，而我们看到MC=100<550，可以认为是负相关的 待续…… 来源：www.cnblogs.com/fengfenggirl 关联文章 1.数据挖掘系列（1）关联规则挖掘基本概念与Aprior算法 2.数据挖掘系列（2）--关联规则FpGrowth算法
1.6K90发布于 2018-04-23 - 来自专栏python3
R语言数据挖掘实战系列（3）
R语言数据挖掘实战系列（3） 三、数据探索 通过检验数据集的数据质量、绘制图表、计算某些特征量等手段，对样本数据集的结构和规律进行分析的过程就是数据探索。 产生的原因有（1）有些信息暂时无法获取，或者获取信息的代价太大；（2）有些信息是被遗漏的；（3）属性不存在。 缺失值的影响有（1）数据挖掘建模将丢失大量的有用信息；（2）数据挖掘模型所表现出的不确定性更加显著，模型中蕴含的规律更难把握；（3）包含空值的数据会使建模过程陷入混乱，导致不可靠的输出。 （2）3σ原则。如果数据服从正态分布，在3σ原则下，异常值被定义为一组测定值中与平均值的偏差超过三倍标准差的值。如果数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述。 在数据挖掘过程中，不一致数据的产生主要发生在数据集成的过程中，可能是由被挖掘数据来自于不同的数据源、对于重复存放的数据未能进行一致性更新造成的。
1.5K30发布于 2020-01-08 - 来自专栏数据科学与人工智能
【金融数据】挖掘数据价值，打造智能银行
第三层，从信息上升至知识，即知识发现层，在此层面，数据挖掘技术和人工智能至关重要，对整合的信息进行分解、提炼，从中找出有价值的信息点，实现信息到知识的转变。 结合国内外先进企业的大数据经验，民生银行围绕充分挖掘大数据价值，以“智能化、云端化、标准化、移动化”（“四化”）建设为主线，努力打造和提升大数据能力，积极推进全行的大数据战略。 “四化”建设纵贯数据获取与存储、数据整合、数据挖掘、数据应用整个大数据价值链，是一个影响深远的系统性工程。 大数据智能化 为进一步提升客户关系管理与服务水平，营造可持续发展的金融生态环境，切实提高全行对公业务的规划能力、营销能力、产品支持能力、风险管理能力、考核评价能力，民生银行建成智能管家平台，借助互联网思维和大数据分析挖掘工具 ，运用复杂网络科学、文本挖掘、购物篮分析等数据挖掘技术和力导向布局图、蜗牛图等数据可视化手段，构建了上下游客户推荐模型、智能产品推荐模型、交易网络模型，设计开发了客户推荐、产品推荐等功能，为客户经理、管理人员提供针对性
1.4K50发布于 2018-02-27 - 来自专栏全栈数据化营销
3个案例了解数据挖掘，学会数据挖掘方法和思路
一、银行信用卡欺诈与拖欠行为分析： 1、客户信用等级影响因素 1.1客户信用卡申请数据预处理 1.2信用卡申请成功影响因素 2、信用卡客户信用等级影响因素 3、基于消费的信用等级影响因素 5.6根据消费历史分析客户特征 5.7基于聚类分析客户特征 5.8基于客户细分的聚类分析 二、商务宾馆竞争分析 1、目前经济型酒店行业的竞争态势 2、根据业务和分析目标准备寻找数据 3、 酒店评分与酒店业绩关系 5.3酒店评分分析 5.4客户情感分析 5.5商务酒店竞争分 6、根据分析给出相应的建议 三、海底捞火锅运营分析 1、火锅相关业务分析，建立分析指标 2、火锅相关数据抓取 3、
977130发布于 2018-05-07 - 来自专栏相约机器人
PyTorch 3D：深入挖掘深度学习
Facebook正在缓解3D深度学习的麻烦，一次解决一个问题。去年它发布了Mesh R-CNN，该系统可以从2D形状渲染3D对象。今年它发布了PyTorch3D。 https://pytorch3d.org/ 3D深度学习一直是一个尚未开发的领域。 与传统方法相比，使用PyTorch3D进行3D深度学习要容易得多，而且速度更快，许多AI创新者和研究人员都在支持它。 特征： PyTorch3D结合了3D对象和深度学习。 它可以执行3D重建，3D推理和包调整。 要安装matplotlib和黑色，scikit图像，flake8，tdqm，isort，jupyter，plotly和imageio，请运行： 输出： 人工智能爱好者一直在发布PyTorch3D的出色输出
1.2K01发布于 2020-11-13 - 来自专栏人生代码
数据挖掘实践指南读书笔记3
当所用数据挖掘方法基于特征的值来计算 两个对象的距离，且不同特征的尺度不同，就需要使用归一化。 = [54, 72, 78, 49, 65, 63, 75, 67, 54] list2 = [54, 72, 78, 49, 65, 63, 75, 67, 54, 68] list3 (list3, m3) asd4 = classifier.getAbsoluteStandardDeviation(list4, m4) assert(round(m1, 3) == 65) assert(round(m2, 3) == 66) assert(round(m3, 3) == 69) assert(round(m4, 3) == 70.5) assert(round(asd1, 3) == 8) assert(round(asd2, 3) == 7.5) assert(round(asd3, 3) == 0) assert
48110发布于 2019-10-30 - 来自专栏我的AI专栏
Orange3数据挖掘简单使用教程
Orange3数据挖掘简单使用教程最新版 3.36.2，欢迎加入QQ群681586766交流学习。 1、 首先启动orange-canvas，界面如下：2、 点击左边数据栏，拖到“文件“组件到控制台，然后双击，弹出对话框，选择数据源文件，对话框会呈现文件的相关信息3、 如果我们想要以表格的方式预览数据
1.7K20编辑于 2023-11-06 - 来自专栏往期博文
【数据挖掘】任务3：决策树分类
pd.read_excel('data.xlsx', index_col=None) df 天气 温度 湿度 风况 运动 0 晴 85 85 无 不适合 1 晴 80 90 有 不适合 2 多云 83 78 无 适合 3 = np.where(df['湿度'] > 80, 1, 0) 转换后的数据如下表所示： df 天气 温度 湿度 风况 运动 0 0 2 1 0 0 1 0 2 1 1 0 2 1 2 0 0 1 3 7 0 1 1 0 0 8 0 0 0 0 1 9 2 1 0 0 1 10 0 1 0 1 1 11 1 1 1 1 1 12 1 2 0 0 1 13 2 1 0 1 0 数据集划分 根据7/3的比例划分训练集和测试集
66910编辑于 2022-09-01 - 来自专栏PPV课数据科学社区
数据挖掘人工智能使教育定制化
自适应学习 这是从小学到大学整个教育体制的再造，McGraw-Hill教育正在开发数字课程，准备相关的课程资料，它从200万学生中收集信息，利用人工智能为每个学生创建自适应的学习体验。 DonorsChoose.org的数据科学家Vlad Dubovskiy说：“校长和管理人员可以对这些数据进行挖掘，及时了解学校教师的请求。” 是弗吉尼亚州高等教育委员会政策研究和数据仓库的负责人，他告诉我们：当大数据应用到教育领域时，“一切皆有可能”，作为弗吉尼亚州纵向数据系统（Longitudinal Data System）的一部分，委员会目前正在挖掘所有公共和非营利大学的学生数据
88350发布于 2018-04-18 - 来自专栏漏洞战争
honggfuzz漏洞挖掘技术深究系列（3）——Fuzz策略
3、mangle_Bit函数： 取随机位置的数值做位翻转 ? 4、mangle_Bytes函数： 在随机位置覆盖写2~4字节数据 ?
1.7K10发布于 2019-07-18 - 来自专栏muller的测试分享
人工智能，应该如何测试？（二）数据挖掘篇
如果你面对的是一个人工智能平台，那么这些也就变成了测试对象。数据标注：我们面对的大部分都是监督学习，所谓监督学习，就是算法在学习这份数据的时候， 我们需要告诉算法这条数据的答案。 因为人工智能是在大数据的基础之上的， 我们可能要面对数以百万，千万甚至亿的数据量。 withColumn("uin", functions.abs(functions.col("uin").cast(DataTypes.LongType))) .toDF();其他挖掘方法其实挖掘数据没有太多的技术难点 yolov 过滤图片上次文章介绍 aigc 的测试方法时说过用 yolov + blip 可以组一些 bug 挖掘的工作。 我借鉴这个思路来做数据挖掘。 我们以上面的数据挖掘工具为例子来讲解一下一般模型微调的过程。
47612编辑于 2024-04-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号