- 综合排序
- 最热优先
- 最新优先
- 来自专栏决策智能与机器学习
基于Apriori的数据关联分析 | 工业数据分析 | 冰水数据智能专题 | 4th
背景 工业数据中的相关性分析是开展工业数据分析的基础性分析，决定数据分析的优先级，通过支持度和可信度来定义发现数据之间存在的关系。 Apriori 算法的两个输入参数分别是最小支持度和数据集。 ' Apriori 算法 Ben 2015.09.28 ''' #coding:utf-8 from numpy import * def loadData(): return[[1,3,4] 据此结合之前的分析构建完整的算法， 代码如下： #构建多个参数对应的项集 def aprioriGen(Lk,k): retList = [] lenLk = len(Lk) apriori(dataSet,minSupport) rules = generateRules(L,suppData,minConf = 0.5) print rules 上述程序的结果表明该算法在小数据集中可以实现
78510发布于 2020-08-04 - 来自专栏Corley的开发笔记
商业数据分析从入门到入职（4）初识商务智能
文章目录 一、商务智能含义 二、数据仓库系统 三、BI系统 1.常见BI 2.Power BI 一、商务智能含义 之前可能听说过Power BI、Tableau 根据维基百科的定义，Bl（Business lntelligence）即商务智能或商业智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策 可以说，商务智能系统提供了从数据到挖掘出商业价值的全周期整套工具，而不仅仅是数据可视化。 管理层 负责报告和分析、即席查询（Ad hoc Query）、预警（自动化）等。 员工 在线和离线分析处理。 商务智能应该满足每个角色的需求。 要分析的数据经常是历史数据的叠加，很少删除数据，可以分析出一定的历史趋势。 三、BI系统 1.常见BI 常见的BI包括Oracle、SAP、Microsoft。
1.9K30发布于 2020-09-18 - 来自专栏PPV课数据科学社区
数据分析&数据挖掘入门知识分享（4）
编者按：本文为 数据分析&数据挖掘入门知识分享（3）的连载，还有一部分待上传，欢迎小伙伴们关注学习，若对您有帮助请分享至朋友圈，让更多人学习！ 以下图片点击横屏观看效果更佳
92250发布于 2018-04-24 - 来自专栏R语言数据分析
表达芯片数据分析4——复杂数据及其分析（多分组数据）
多分组数据示例：GSE474练习：GSE106191一般有一个对照组，多个实验组或者两两差异比较。 (patchwork)g[[3]]+g[[4]]ggsave("enrich.png",width = 12,height = 7)多分组数据---title: "GSE474"output: html_documenteditor_options 4.tinyarray的简化操作多分组的数据，get_deg_all仍然可以帮你简化操作，目前是三分组就两两差异分析，四个或五个分组的数据是后面几个组与第一个组差异分析，暂不支持其他的做法和更多的分组。 Group,ids,logFC_cutoff = 0.585,entriz = F)dcp$plotsggplot2::ggsave("deg.png",width = 15,height = 10)图片富集分析富集分析的输入数据是差异基因名字 :4]library(patchwork)g[[3]]+g[[4]]ggplot2::ggsave("enrich.png",width = 12,height = 7)
84350编辑于 2023-10-06 - 来自专栏知了一笑
数据分析 | 基于智能标签，精准管理数据
帮助产品快速定位需求人群，进行精准营销； 能帮助客户更快切入到市场周期中； 深入的预测分析客户并作出及时反应； 基于标签的开发智能推荐系统； 基于某类用户的分析，洞察行业特征； 标签的核心价值，或者说最常用的场景 拟合标签 拟合类的标签最具有复杂性，通过用户上述几种标签，智能组合分析，给的预测值，例如：未婚、浏览相关婚礼内容，通过分析预测用户将要举办婚礼，得到一个拟合结果：预测将要结婚。 不管是数据智能，深度学习，算法等都是建立在海量数据的基础条件上，这样才能获取具有价值的分析结果。 大数据时代就是这么令人感觉智能和窒息。 标签业务 数据走了一大圈转换成标签，自然还是要回归到业务层面，通过对标签数据的用户的分析，可以进行精准营销，和智能推荐等相关操作，电商应用中可以提高成交量，信息流中可以更好的吸引用户。
2.2K20发布于 2020-06-04 数据智能分析工具的主流评测与深度分析
在当今快速变化的商业环境中，企业对于数据分析的需求日益增长。随着技术的进步，商业智能（BI）工具不断涌现，帮助企业从海量数据中提取有价值的信息，支持决策制定。 自助分析 用户可以通过简单的拖拽操作完成复杂的报表开发，实现自助式数据分析。 数据简报 腾讯云BI的简报模块是其特色功能之一，支持工作汇报和数据展示，是企业内部沟通和对外宣传的得力助手。 智能助手ChatBI 基于大模型的智能分析Agent，通过自然语言对话实现数据分析，降低数据分析门槛，提升效率。 洞察分析智能体 提供数据解读、波动归因、业务优化建议等能力，帮助企业洞察业务趋势。 波动归因分析 帮助企业分析数据波动的原因，为决策提供科学依据。 智能分析Agent ChatBI作为智能分析Agent，支持接入混元、DeepSeek等主流模型，提供深度数据分析。 总结 在众多BI工具中，腾讯云BI以其全面的数据处理能力、强大的可视化功能和智能助手ChatBI的特色功能脱颖而出。它不仅能够满足企业内部的数据分析需求，还能支持企业对外的数据展示和沟通。
47910编辑于 2025-07-28- 来自专栏绿盟科技研究通讯
智能威胁分析之图数据构建
数据从来都是AI可用性的基础，典型的“感知-认知-行动”智能应用模式的作用对象也是数据。那么构建更加自动化、更智能的威胁分析能力，我们应该收集和分析哪些数据，又如何组织这些数据呢？ 不过，获取数据不是智能威胁分析技术本身的关注重点，如何组织并使用数据才是核心问题。 ? 网络安全数据结构中蕴含的图基因，不仅仅是数据可视化的基础，更是用以对抗网络空间威胁的安全智能构建的基础。那么，智能威胁分析能力的构建需要那些数据图的支撑呢？ 三、构建智能威胁分析能力的关键数据图 ? 图4 Cauldron基于图的漏洞分析 安全防护不仅仅是构建更厚的防火墙，制定更多预算抵御可能随时发生的DDoS攻击。 4知识数据图 ? 图6 ATT&CK要素关系图[4] 知识与情报在不同的情景内常常出现概念的交叉。
1.9K10发布于 2019-12-11 - 来自专栏生物信息云
TCGA数据挖掘（四）：表达差异分析（4）
在之前我们的文章：TCGA数据挖掘（三）：表达差异分析中，我们利用的是TCGAbiolinks包中的TCGAanalyze_DEA函数进行差异表达分析，我们也提到可以选择基于limma或edgeR包进行分析 ，TCGA数据挖掘（三）：表达差异分析这一讲中我们利用的是edgeR包，之后我们在文章：TCGA数据挖掘（四）：表达差异分析（2）和TCGA数据挖掘（四）：表达差异分析（3）中分别也介绍了其他方法的差异分析 数据下载 基因表达数据的下载 数据下载代码和之前的一样，这里再提供一次。避免出错不知道原因。 # 然后，数据即可用于线性建模。 包中的TCGAanalyze_DEA函数，是基于limma包的差异分析。
4.9K51发布于 2019-09-18 - 来自专栏生信菜鸟团
GEO数据分析流程之芯片4
生信技能树学习笔记 DEG 差异基因 rm(list = ls())load(file = "step2output.Rdata")#差异分析，用limma包来做#需要表达矩阵和Group，不需要改library design)#线性拟合fit=eBayes(fit)#贝叶斯检验deg=topTable(fit,coef=2,number = Inf)#提取贝叶斯检验结果 #为deg数据框添加几列 logFC > logFC_t)deg <- mutate(deg,change = ifelse(k1,"down",ifelse(k2,"up","stable")))table(deg$change)#4. 加ENTREZID列，用于富集分析（symbol转entrezid，然后inner_join）library(clusterProfiler)library(org.Hs.eg.db)s2e <- bitr fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)#人类数据库
25910编辑于 2024-06-28 - 来自专栏数据森麟
数据分析报告的 4 种情景
作者：林骥 来源：林骥 在《数据分析报告的 3 个层级》这篇文章下面，有位读者留言：有完整的数据分析报告模板吗？ 我回复说： 数据分析报告可以有千千万万个不同的模板，但是你要知道哪一个模板最适合当时的情景，这是非常困难的一件事。 即使收集到了世界上所有数据分析报告的模板，也不代表就有能力写好数据分析报告。 为了缩小选择的范围，我们可以把数据分析报告按情景进行划分，大致分成下面 4 种情景，即：首次分析报告、常规分析报告、问题分析报告、总结分析报告。为了便于理解，分别类比为看病体检时的情景。 情景 4：总结分析报告 当业务需要进行阶段性总结的时候，在写总结分析报告之前，应该先把整体的基调定下来，是想表达做得好？还是想表达有问题？然后再补充相关细节，比如好的经验有哪些？问题的原因是什么？ 以上 4 种情景，无论是哪一种，都要先熟悉业务的背景和分析的目标，搞清楚沟通的对象，对数据有基本的判断，对问题有深入的理解，这样写出来的数据分析报告，才更有吸引力，看数据分析报告的人，才更有收获，而写数据分析报告的人
84520发布于 2020-11-09 - 来自专栏马一特
数据分析与数据挖掘 - 03智能对话
一 数据分析与自然语言处理 我们在处理很多数据分析任务时，不可避免地涉及到与文本内容相关的知识，这是属于文本挖掘（text mining）的内容，显然是NLP技术的范畴，基于这样的考虑我们先来对自然语言处理有一个基本的认识 二 自然语言处理 如果一台计算机能够欺骗人类，让人相信它是人类，那么该计算机就应当被认为是智能的。（阿兰.图灵) 机器能像我们人类一样理解文本吗？这是大家对人工智能最初的幻想。 如今，它已成为人工智能的核心领域——自然语言处理（简称：NLP）。 ）被誉为人工智能皇冠上的明珠。 4 使用gensim计算文本相似度 计算文本相似度只需要一行代码，但是有一个小细节，我们计算的词必须要出现在语料库中，由于文本数据少之又少，我们计算的结果会和实际有所偏差，但这并不影响我们的理解，示例代码如下
95520发布于 2020-09-08 如何通过YashanDB实现数据的智能分析？
在当今数据驱动的世界中，各行各业都面临着如何有效地处理和分析大量数据的挑战。性能瓶颈、数据一致性问题以及快速响应的需求使得开发人员和数据库管理员必须利用更具智能化的解决方案来实现数据分析的优化。 YashanDB作为一款高性能数据库，尤其在智能数据分析方面具备强大的能力。 本文将深入探讨如何通过YashanDB的特性实现高效的数据智能分析，阐述核心技术点，并为需要应用该技术的开发人员和DBA提供实用的技术建议。核心技术点1. MVCC允许用户在查看时看到一致性的数据快照，避免了在高并发场景下数据的不一致性，进而提高了数据分析的准确性和可信度。4. 结论YashanDB凭借其灵活的存储架构、多样的数据分析工具和高效的并发控制机制，有效地满足了现代企业在数据智能分析方面的需求。
14610编辑于 2025-10-13玩转 OCR|智能Excel数据分析助手
项目背景 项目地址：Excel智能分析助手: 本项目旨在构建一个智能化的Excel数据分析助手，通过结合OCR技术和自然语言处理，实现从图片到数据分析的端到端解决方案。 数据输入模块 Excel文件直接读取 图片OCR表格识别 数据预处理和清洗 2. 分析引擎模块 自动生成分析报告 智能对话分析 统计分析功能 可视化图表生成 3. 交互界面模块 文件上传和预览 智能对话交互 图表定制生成 分析报告导出 4. 个人数据处理 - 成绩单分析 - 消费记录分析 - 个人财务分析 - 数据整理归档 结语 Excel智能分析助手通过结合OCR技术和自然语言处理，为用户提供了一个简单易用的数据分析工具。 无论是数据的导入转换，还是分析可视化，都能以智能化的方式完成，大大提高了数据分析的效率。
1.1K20编辑于 2025-01-12- 来自专栏代码编写世界
PandasAI连接LLM进行智能数据分析
引言 Pandas是一个数据分析开源组件库，提供了高性能、易用的数据结构和数据分析工具。 PandasAI则通过结合Pandas和生成式AI技术，使用户能够以自然语言与数据进行交互，从而简化数据分析流程。 它的核心目标是让数据分析变得更直观、高效，甚至无需编写复杂代码即可完成数据查询、清洗、可视化等任务。 2. 详述 Pandas进行数据分析的流程笔者不是很熟练，这里重点关注一个问题就是PandasAI如何连接现有的大模型比如DeepSeek来进行智能数据分析。 解决掉PandasAI 2.X的版本依赖问题之后，通过PandasAI连接DeepSeek进行智能数据分析的案例代码实现如下： import pandas as pd from pandasai import
48810编辑于 2025-07-28 - 来自专栏简说基因
《基因大数据智能生产及分析》笔记
基因慧的行业报告整体上不错，这次《基因大数据智能生产及分析》也不例外，一口气读完，感受是智能化是行业趋势，打工人的日子更难了。文章有点长，没时间看的话你可以拉到文后看我的一点感想。 因此，2017 年，诞生了三大健康医疗大数据“国家队”： 中国健康医疗大数据产业发展有限公司 中国健康医疗大数据科技发展集团公司 中国健康医疗大数据股份有限公司 4. 2）随着基因数据量级剧增，生物信息分析环节除了常规分析挖掘手段，以人工智能等机器学习方法对百万级基因大数据进行数据挖掘，不但有前沿研究的必要性，而且具有巨大的市场化潜力。 人工智能技术的发展主要包括两个方面： 1）语音识别、图像识别、自然语言处理和生物识别等感知智能； 机器学习 / 深度学习、预测分析等认识智能。 深度学习在基因组学数据领域的应用仍处于初期阶段。 2）智能化 智能化主要体现在基因数据分析环节，通过整合各种生物信息分析流程所需的基础设施、分析软件和数据库，同时引进人工智能技术，实现自动化分析和智能决策系统。
2K10发布于 2020-11-19 - 来自专栏燧机科技-视频AI智能分析
智能视频分析系统的大数据应用
智能视频分析识别监管系统在安全管理中起着安全管家的功效，大幅提高了公司在生产安全管理里的安全指标。 AI视频个人行为分析系统借助视频优化算法分析视频具体内容，根据获取视频里的关键信息、标识，产生相对应的警报时间和警报监管方式，大家能通过各种各样的方式迅速收到异常信息。 AI依靠Cpu强劲的测算作用，视频个人行为分析系统快速分析视频界面里的海量信息，获得大家想要的违规警报信息内容。 销售市场上面有完善的智能视频分析算法，如智能施工现场安全帽配戴监管、车辆识别、车系统计分析、烟火鉴别、攀登、彷徨、工作人员辞职等标准。 比如，面部识别系统，根据创建面部捕获数据库系统，面部信息内容存档，与个人信息建立关系，在实际应用情况下佩戴安全帽，避免外界工作人员侵入、车辆识别、实体模型记数统计分析等智能分析技术，进一步提高现场安全系数
90220编辑于 2022-09-16 - 来自专栏爱分析洞见文章
2022爱分析·数据智能应用实践报告
综述：多种因素推动，数据智能全链路升级2. 湖仓一体强化全域数据管理效能3. 从管理到运营，DataOps释放数据中台价值4. 实时数据平台支撑爆发中的高时效场景5. 属于业务端的数据分析时代来临7. 数据智能行业应用从监测、诊断性分析走向智能决策8. 展望1. 2.2 湖仓一体引领数据架构迭代更新图 4： 湖仓一体架构示意图湖仓一体在技术架构、功能和性能层面主要具备以下主要特征：通过元数据层在数据湖上实现数据管理功能。 案例4: 某股份制银行搭建实时应用支撑平台，通过实时数据赋能业务价值提升随着金融数字化时代的来临，金融业务正在发生深刻的变化。 ，对网络报文进行高速捕获、深度解析与存储，支持异常事件的回溯分析以及调查取证；4）支持多级级联部署、多分支机构安全管理：系统以数据分析为核心，驱动常态化攻防体系不断建设和完善，实现不同层级防御系统之间的协作与联防联控
1.3K30编辑于 2022-09-07 - 来自专栏爱分析洞见文章
2022爱分析· 数据智能厂商全景报告
报告编委黄勇爱分析合伙人&首席分析师孟晨静爱分析高级分析师李冬露爱分析分析师冯怡欣爱分析分析师兰壹凡爱分析分析师目录1. 研究范围定义2. 厂商全景地图3. 市场分析与厂商评估4. 入选厂商列表1. 厂商全景地图爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在数据智能市场中具备成熟解决方案和落地能力的入选厂商。3.市场分析与厂商评估 爱分析对本次数据智能项目重点研究的特定市场分析如下。 首创“分析导图”技术，支持智能化的数据深度探索分析。 “斗象科技智能安全”以数据分析为基石，为企业提供安全数据智能与安全运营产品。 典型客户：中国银联、中国联通、中国外汇交易中心 4.入选厂商列表
1.1K20编辑于 2022-09-23 如何通过YashanDB实现数据的智能分析
YashanDB作为一款创新的关系型数据库，融合多种先进架构和技术，支持从单机部署到共享集群的多种形态，致力于满足业务多样化场景下的数据智能分析需求。 这种多层次多维度的存储机制使YashanDB能够针对不同智能分析需求灵活选择合适的数据组织形式，提升数据访问效率和存储利用率。 这种灵活的部署模式保障了智能分析任务在不同规模环境中都能高效运行并保持数据一致性。 通过严谨的高可用设计，YashanDB能够保障智能分析系统下的关键数据的持续可用性和业务连续性。可扩展的安全体系保障数据合规性在智能分析场景中，数据安全与合规监管尤为重要。 持续关注YashanDB新技术特性的演进，对于保持数据库系统的竞争力及提升智能分析效率至关重要。
23210编辑于 2025-10-05- 来自专栏数据分析1480
数据分析4要素，轻松掌握小“套路”！
01 场景 首先，移动互联网化+传统企业转型触网使数据获取难度大大降低，其次，云存储和云计算使存储和计算成本降低，最后，人工智能和商业智能使数据价值凸显，越来越多企业愿意花大钱于数据基础建设，那么数据分析场景也越来越丰富 每个行业具体业务场景也会不同，比如同样是互联网，可以分为游戏、社交、电商、安全、新零售、娱乐、外卖、航旅、共享经济、搜索、人工智能..... 当然，大的互联网公司也会有自己的数据产品，相对外部工具，数据接入更容易。 4. 演绎：演绎推理是由普通性的前提推出特殊性结论的推理，我们在数据分析中经常会沿用原有的经验，很多都是采用演绎的方式进行，比如28法则是人类收入分配中有这种倾向，电商卖家收入也会有这种倾向。 4. 市场营销：市场营销核心分析思路是影响面，以及投入产出比（roi）。 以上就是数据分析4要素，希望您对数据分析岗有全面的了解。
1.1K20发布于 2019-05-22
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