应用场景落地如果需要取得比较理想的效果，需要依赖算法，算力，数据等多方面的条件结合。
下面东方林语列出了一个数据场景技术的7区域评估模型可以参考一下，对每个区域，需要注意的关键点也做了一个说明:
所以，无论是朴素贝叶斯，决策树，K近邻，SVM，逻辑回归等，都是传统机器学习算法的某一种。在不同的数据和场景条件下，会发挥不同的价值，但仍旧需要具体问题具体分析，很难界定出一个与场景相匹配的算法条件与标准。
另外，专家规则的价值，在现阶段仍旧非常重要。
人工智能技术，也还包括了深度学习，强化学习，迁移学习，联邦学习，自监督学习等多个分支。
最重要的是，很多场景，需要多种技术结合，才能真正发挥更大的价值。
比如，以用户画像为例，为了做好目标用户的实时精准画像，需要机器学习，统计学，信息检索，NLP，大数据存储，大数据实时计算等多项技术的综合技能。
任何一项技术如果存在短板，都会影响场景落地最终价值的效果。
所以，各种机器学习算法和框架，相当于是场景落地的“发动机”，但要打造成一辆真正有价值的“汽车”，还需要各种工程化的环节相结合，才能真正发挥出相应的价值。
各种机器学习算法的应用场景分别是什么（比如朴素贝叶斯 决策树 K近邻 SVM 逻辑回归最大熵模型）？ – 网络
