2016.10.26总结

2016.10.26 星期三 雨

     今天工作点赞点:1)对活动进行分析,知道了非h5页面的活动如何分析,如何统计,建立了漏斗;2)发现了业务波动大,寻找了原因,找出原因并启发了自己后续用户画像的工作;3)今天早上有幸听到了女老大说整个公司和部门的业务,极大地提高了自己的认知水平,学到了很多陌生的词和业务;4)下午开会,也听到了部门老大对业务大方向的描述,加深了认知;5)和其他业务线活动分析的人沟通交流了,了解了他们怎么分析活动,怎么看活动效果,今后再找机会多沟通,用到自己业务上来。今天实际写代码少,但是却明白了很多,感觉挺好的。

    今天工作down点:1)上午的时候一直想听女老大讲业务,可是周围很吵,整个人都不好了,特别身边同事声音很大,非常想跳起来说你声音小点,呜呜,周围太吵导致我没听全,只听了1/3,还有太多想了解的东西2)下午开会的时候部门老大问我业务数据,我没答出来,非常后悔,这种业务常规监控指标是一定要记住的,以前有尝试记忆,但是不太能抓住重点,数据很多,不知道应该记哪个数据,如今,还是得写下来,记下来。

    反思:1)工作需要多沟通,解决需求问很多人,解决完之后也要和很多人讨论2)工作的及时性,部门老大会上说了另外一个人不及时,一个项目若是超过了一定时间,也就不了了之了,虽然老大说的是别人,但是我反思自己身上也有这种情况,以前有有几个稍微大点的项目,因为不能很及时,导致项目就不了了之了。一定要把握需求方要点,你到底要做什么,什么时候交货,多辩一辩。

    明日计划:1)活动数据建立报表进行监控2)另外一个活动效果分析,和需求方沟通再着手解决3)用户画像,用大牛账号做测试号,感觉出一个版本。

   明天还有需求,一定把自己当成需求方,很迫切地想看到结果。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TJ统计

关注公众号:Java后端技术栈

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值