集体编程智慧(1)

人：非凡能力，不管对错，对未来有一定的预判（我觉得也是受限于人的知识储备，否则对新的信息进行决策时，仍然不能从中识别出相似的信息）；

机器：受限于大量模式之上的归纳能力。因此若出现不同于算法先前所曾见到过的任何其他模式，就可能被“误解”。

 

1.生物工艺学：测序技术和筛选技术（算法导论中的动态规划算法来实现LCS计算）——DNA序列、蛋白质结构；

2.金融欺诈侦测：信用卡公司侦测交易是否存在欺诈——神经网络和归纳逻辑

3.机器视觉：军事或监控，自动识别事物（人脸、声音、图像等等）——从大数据集中发现有趣特征的独立组元分析技术

4.预测：

产品市场化：预测市场未来的发展、价格等趋势——聚类

供应链优化：预测不同地区的产品需求以及供应链的有效运行来预估成本投入

股票市场分析：

国家安全：分析潜在的威胁

 

协作型过滤：

背景：选择越来越多，通过询问小部分人来确定我们想要的东西，变得不靠谱，因为这小部分人并不了解所有的选择；（局部->整体，准确度不够）

思路：对一大群人进行搜索，并从中找出与我们品位相近的一小群人；（整体->局部，筛除一些不相关的样本，排除干扰）

       算法作用：对这些人所偏爱的其他内容进行考察，并将它们组合起来构造出一个经过排名的推荐列表。  

偏好空间计算方法：

       欧几里德距离；以经过人们一致评价的物品为坐标轴，然后将参与评价的人绘制到图上，并考查他们彼此间的距离远近。

       皮尔逊相关度评价：判断两组数据与某一直线拟合程度的一种度量。针对数据不规范的时候，会倾向于给出更好的结果。

皮尔逊的计算过程：

1.    找出评论者评价过的物品，然后计算两者的评分总和与平方和，并求得评分的乘积之和；

2.    利用上面的计算结果计算出皮尔逊相关系数。

皮尔逊的评判标准：相关系数范围为［0,1］,而且系数值越大表示相关性越高。

    两种计算方法的差异在于：欧几里德完全从数据的特征来计算两种数据之间的关系；而皮尔逊相关度是从产生数据的来源