商业智能
jiabiao1602
目前就职于世界百强企业!已经从事数据分析工作10年以上。曾经从事过咨询、电商、电购、电力、互联网等行业,了解不同领域的数据特点,目前主要用R语言做大数据分析和建模、数据可视化研究工作。撰写书籍《R语言与数据挖掘》、《R语言游戏数据分析与挖掘》等书籍
展开
-
数学之美番外篇:平凡而又神奇的贝叶斯方法
来自:大数据邦摘要: 概率论只不过是把常识用数学公式表达了出来。——拉普拉斯记得读本科的时候,最喜欢到城里的计算机书店里面去闲逛,一逛就是好几个小时;有一次,在书店看到一本书,名叫贝叶斯方法。当时数学系的课程还没有学到概率 ...概率论只不过是把常识用数学公式表达了出来。——拉普拉斯记得读本科的时候,最喜欢到城里的计算转载 2014-12-09 09:51:36 · 787 阅读 · 0 评论 -
一小时了解数据挖掘①:解析常见的大数据应用案例
2014-10-24 10:54| 发布者: 炼数成金_小数| 查看: 11840| 评论: 1|来自: 美林大数据来自:美林大数据摘要: 简而言之,数据挖掘(Data Mining)是有组织有目的地收集数据,通过分析数据使之成为信息,从而在大量数据中寻找潜在规律以形成规则或知识的技术。在本文中,我们从数据挖掘的实例出发,并以数据挖掘中比较经典的分类 ...转载 2014-12-09 09:48:32 · 1577 阅读 · 0 评论 -
一小时了解数据挖掘③:详解大数据挖掘の分类技术
来自:美林大数据摘要: 数据挖掘分类技术从分类问题的提出至今,已经衍生出了很多具体的分类技术。下面主要简单介绍四种最常用的分类技术,不过因为原理和具体的算法实现及优化不是本书的重点,所以我们尽量用应用人员能够理解的语言来表述 ...数据挖掘分类技术从分类问题的提出至今,已经衍生出了很多具体的分类技术。下面主要简单介绍四转载 2014-12-09 09:41:09 · 1011 阅读 · 0 评论 -
内容分发平台个性化推荐系统经验简单总结
原文地址:http://blog.csdn.net/yangbutao/article/details/42319317推荐在电商和互联网应用中已经应用的非常广泛,相比于根据query进行主动的搜索,推荐是更加被动的由系统自动推出商品给用户。搜索的意图比较明显,直接由query给出,而推荐需要计算猜测用户的意图,根据用户历史数据和当前行为,基于各种模型推荐合适的商品,提升用户体验,提高转载 2015-01-14 10:19:20 · 901 阅读 · 0 评论 -
一小时了解数据挖掘②:分类算法的应用和成熟案例解析
来自:美林大数据摘要: 接上篇:一小时了解数据挖掘①:解析常见的大数据应用案例分类算法的应用本节将为大家介绍数据挖掘中的分类算法在一些行业中的代表性应用。我们将算法应用分为表述问题和解决过程两个阶段,表述问题即需要运用数据挖 ...接上篇:一小时了解数据挖掘①:解析常见的大数据应用案例分类算法的应用本节将为转载 2014-12-09 09:50:01 · 1886 阅读 · 1 评论 -
一小时了解数据挖掘④:商务智能原理解读の数据挖掘九大定律
来自: 美林大数据摘要: 什么是商业智能(Business Intelligence)数据挖掘的最终目的是要实现数据的价值,而商业智能是在企业中实现数据价值的最佳方式之一。商业智能(Business Intelligence,简 称BI)的概念最早是Gartner公司于1996年提 ...什么是商业智能(Business In转载 2014-12-09 09:53:18 · 746 阅读 · 0 评论 -
定向展示广告投放中的点击率预估模型简介
原文地址:http://blog.csdn.net/yangbutao/article/details/42084861平台中有一些栏位是留给广告投放用的,对于平台来讲需要关注整体受益,用户需要关注用户体验,广告主需要进行精准的把广告投放给受众,提高转化率。广告投放给用用户展示,最重要的是排序,之前的排序公式是ctr*Bid,其中ctr是广告的历史点击率,Bid是广告主的出价。缺点转载 2015-01-14 10:16:55 · 1238 阅读 · 0 评论 -
数据挖掘案例:建立客户流失模型
本文转自:http://www.ciotimes.com/bi/sjwj/59200.html随着市场竞争的加剧,中国电信面临的压力越来越大,客户流失也日益增大。从统计数据看,今年固话小灵通的销户数已经超过了开户数。面对如此严峻的市场形式,当务之急就是要尽全力减少客户的流失。因此,利用数据挖掘方法,建立一套可以及时预测客户流失率的模型就相当有必要。(一)确定客户流失模型的目标:转载 2014-12-11 09:53:28 · 1901 阅读 · 1 评论