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