应用场景_应用场景 深度学习 - CSDN
精华内容
参与话题
  • 注:论文发表于《包装工程》杂志2017年第6期“工业设计”栏目。虽然是17年才发表,但这篇论文其实是很早之前写的,所以用的案例比较老。...方法 通过阐述交互设计各阶段中客观场景、目标场景、实际场景...

    注:论文发表于《包装工程》杂志2017年第6期“工业设计”栏目。虽然是17年才发表,但这篇论文其实是很早之前写的,所以用的案例比较老。

     

    ____________________________________

    作者:胡伟峰;王玉梅;汤进;李世国

    (江南大学,无锡, 214122)

    摘 要:目的 研究产品交互设计中场景理论。方法 通过阐述交互设计各阶段中客观场景、目标场景、实际场景的含义及其应用。结论 指出了场景理论对交互设计的价值与意义,并提出了动态思维:场景设计是一个循环设计流程;主次思维:抓主要场景,统筹次要场景;拆解思维:复杂的大场景由众多小场景组成三大基于场景理论的交互设计思维。

    关键词:用户场景;交互设计;

    中图分类号:TB472 文献标识码:A

    “场景(scenarios) ”一词常见应用于戏剧领域中,指在一定的时间、空间内发生的一定的任务行动或生活画面。【1】在交互设计领域,基于场景设计(scenario-based design) 的思想最早由Carroll提出,强调将设计工作的焦点从定义系统的操作转变到描述什么人将使用该系统去完成其任务。【2】交互设计改变了设计中以物为对象的传统,直接把人类的行为作为设计对【3】人使用产品必须有一定的行为,这种行为是在一定场景下进行的, 行为的完成需要一定技术的支持,因而人、行为、场景和技术4个要素构成了所谓的交互系统。【4】场景是交互系统中极其重要的要素,研究在一定场景下的用户行为,对用户行为逻辑针对相应的场景进行规划和设计,是交互设计的重要目标。

     

    1 交互设计各阶段中场景的种类及其应用

    场景描述了关于操作者、操作者及其环境的背景信息、操作者的目的或目标、一系列活动和事件等内容,【5】这里的操作者即指的是产品的使用用户。基于场景理论的交互设计,是指在交互设计整个过程中使用场景描述的方法来具体地描述用户对产品的使用情况。如图1,交互设计各阶段可分为不同的用户场景,包括早期用户需求分析阶段的客观场景,产品交互设计阶段的目标场景以及场景验证和评估阶段的实际应用场景。


    图1 用户场景种类及其设计流程

    Fig1 User scene type and its design process

     

    1.1 客观场景

    设计师在交互设计的开始阶段,需要对用户现状及其需求进行分析。客观场景便是通过对用户现状的调查研究,从中获取有效信息进行总结和归纳出来的。客观场景的构建,最常见的调研方法是:用户现场观察法。在观察的同时,设计师可以对观察中遇到的问题进行总结和分析,通过观察后结合用户访谈等方式来补充分析用户的需求。

    比如在“快的打车”等打车类APP未投入市场之前,用户的典型客观场景可以描述为:公司职员王先生晚上6:00下班(操作者及其背景信息),需要打车回家(操作者的目标),在公司门口招揽出租车,可是一直招揽不到出租车,最终走了两公里路到附近的商场才打到了车,而且发现商场附近待揽客的出租车非常多,王先生觉得非常郁闷,为什么资源不匹配呢(操作者的一些列活动、感受等)。

     


     

    上述对用户“打车”这一客观场景的描述,是建立在对一定量“打车”用户调研的基础之上描述出的典型场景。客观场景是为了描述目标用户和客观状况而总结的,强调的不仅仅是问题点,还包括产品的目标用户描述、用户客观行为流程、用户情感表现、问题点等。设计师可以通过客观场景中分析出用户的需求,包括行为流程上的体验问题及其对应的设计机会点等。

    1.2 目标场景

    在产品交互设计阶段,需要设计师构建目标场景。目标场景,是建立在客观场景之上,设计师所期望达成的能解决用户客观场景中相关需求的用户场景。在客观场景的基础之上,设计师可以结合相关交互理论和设计准则,以及通过可用性和场景实验等方法,对客观场景进行分析和研究,进而设计和规范出能够满足用户需求的目标场景。目标场景从表达形式上可以细分为行为场景和交互场景。

    行为场景,是指在客观场景研究的基础之上,对用户的行为流程进行分析和描述的场景,常用场景故事版等表现工具进行描述;如图2,设计师勾勒出的“快的打车”投入市场后的目标行为场景故事版。结合场景故事版,用户的典型目标场景可以被描述为:公司职员王先生晚上6:00下班,需要打车回家。王先生在5:50时,打开“快的打车”APP可以看到公司附近有很多出租车,王先生输入出发地和目的地确认打车。30秒后出租车司机李师傅接单,王先生可以在手机上清晰的看到李师傅的车辆位置,10分钟后王先生成功上车。到达目的地后,王先生用手机在线支付了打车费,开心的回到家陪女儿吃晚饭。

    图 2 “快的打车”目标场景故事版

    Fig2 Story version of “Quick taxi ”target scene

    交互场景则是指产品在被用户使用过程中的场景,常用信息流程图、低保真页面流程图、使用流程故事版等工具进行描述。【6】以“快的打车”为例,用户在移动场景下不方便打字,所以设计了语音输入和快速搜索来确定家和公司的位置;移动场景下容易出错,所以设计了信息确认机制;在等待应答的过程中,可视化告知用户APP通知的车辆数和距离,并且在打车成功后告知车辆距离和时间,消除用户等待的焦虑,将信息可视化。

     

     

    图 3 “快的打车”交互场景

     

    Fig3 Interaction scene of “Quick taxi ”

    所设计的目标场景需要针对用户在客观场景中反应的需求提出针对性的解决方案。通过目标场景设计,设计师可以勾画出未来用户和产品之间理想的行为交互模型。

    1.3 实际场景

    在实际产品交互设计阶段,目标场景会有很多,不同设计师设计出的目标场景也不同。如何验证和评估目标场景的优劣,就需要引入实际场景。实际场景是指在设计师不干预的情况下,提供目标场景中设计好的相关产品或模型给用户,由用户在实际的参与式体验过程中测试目标场景,进行产品的测试及适用性评价【7】。通过这个评价过程,设计师可以进一步观察用户和产品之间存在的其他关系,并为产品最终设计方案提供场景参考。【8】

    2 用户场景对交互设计的价值与意义

    在产品交互设计中,设计师设计的对象是用户的行为。用户行为是动态的,建立在一定场景上的用户行为才有意义。因此在对用户行为进行设计时,需要设计师意识到研究和应用基于场景设计的价值和意义。

    2.1 更准确地把握产品和用户之间的关系及其用户需求

    以用户为中心的产品设计,【9】强调需求来源于用户,需求转化出的设计方案最终服务于用户。设计师可以通过观察用户和产品的互动行为,通过客观场景描述,直观的展现出用户和产品之间的互动关系及其问题。这些关系和问题是用户需求的直观体现,客观场景描述了目标用户、用户客观行为流程、用户情感表现、问题点等信息,而且场景具有故事性,是通过一段段的故事片段描述构成的,因此场景描述相对于其他用户研究总结出来的客观数据、需求文档等更生动和直观。直观而且形象的客观场景描述,便于设计师和其他产品设计人员更准确和细致的把握客观用户需求。

     

    2.2 提升交互设计方向的合理性和产品满意度

    在产品交互设计阶段,通过对目标场景的设计和描绘,设计师可以基于场景进行交互设计,通过场景故事版、用户体验旅程图、信息流程图、低保真页面流程图等工具细化用户在客观场景中所反映出来的需求并给出解决方案。因此基于场景的交互设计,一方面更加全面的分析和解决用户的需求,避免单一分析用户行为或者产品功能造成的对用户需求的遗漏。同时,通过实际场景中对目标用户场景的验证和评估,提升了产品交互设计方向的合理性;另一方面,设计师设计的目标场景将用户的情感表现等需求直观化和故事化,使得设计师所设计的产品设计点更容易被用户感受,提升产品的满意度。

    3 基于用户场景的产品交互设计的设计思维

    3.1 动态思维:场景设计是一个循环设计流程

     

    图4 交互设计中场景设计的动态思维

     

    Fig4Dynamic thinking of scene design in interactive design

    用户场景不是固定不变的。【10】如图4,在交互设计各阶段中,客观场景是目标场景的设计基础,实际场景对目标场景进行验证和评估。同时,被验证的实际场景又是下一次交互设计的设计对象,上一次的实际场景会转化为下一次的客观场景。因为在实际场景验证和评估中,总会遇到不符合用户预期,目标场景中没有考虑到的用户需求的问题。需要指出的是,掌握交互设计中场景设计的动态思维,并不是指这个设计流程是无限循环的,场景设计是一个持续优化和快速迭代的过程,设计师及其相关产品负责人需要讨论出每个迭代阶段具有共识性的目标场景和实际场景的评估标准。面对既定的迭代阶段目标,在整个设计循环流程中,一旦满足相关目标场景及其实际场景评估标准,现有迭代阶段的交互设计便可终止。

     

    3.2 主次思维:抓主要场景,统筹次要场景

    在客观场景分析和目标场景设计过程中。分析场景时,需要区分主要场景和次要场景。在交互设计各阶段不同场景中,必有而且只有一种场景居于支配的地位,起着规定或影响其他场景的作用,这种场景就是主要场景,其他场景则是次要场景。在分析和解决、处理用户需求时,既要看到主要场景的重要性,善于抓住重点,又要看到次要场景的客观影响,学会全面地看待用户需求,做到抓主要场景,统筹次要场景的统一。主次思维,把握主要场景,同时兼顾次要场景,可以有效地保证基于场景分析的交互设计的产品设计的准确性。

    3.3 拆解思维:复杂的大场景由众多小场景组成

    用户场景有大有小,用户的客观大场景总是由众多可以层级细分的小场景组成。在客观场景分析过程中,大场景相对宏观,可以总览用户的宏观需求。而小场景更加聚焦,可以分析出用户更加具体需求,同时,小场景更加具象,能够落实到用户的具体行为流程和对产品的细节体验,便于设计师有针对性且具象的针对客观小场景进行目标场景设计。比如用户用“快的打车”叫出租车的场景就是大场景,这个大场景中包含用户叫车场景,司机接单场景,用户付款场景等等小场景。用户叫车场景还可以细分为用户当前位置定位场景、用户输入目的地地址场景、用户立即叫车或预约叫车场景等。越细分的客观场景,越有利于设计师针对性的设计出有效的目标场景,同时也更有利于在实际场景中进行交互模型评估和场景验证。所以,在交互设计各阶段应用场景理论进行设计时,需要具备拆解思维,将复杂的大场景拆分为众多可设计的小场景,再由众多的目标小场景,组成最终的目标大场景,进行实际场景验证,输出最终的交互设计成果。

    4 结语

    现在产品和用户体验日趋复杂,传统的物理逻辑层面的设计已经不能满足用户的需要,要关注“事”,【11】场景作为交互系统中极其重要的要素,研究交互设计中的场景理论,从产品交互设计各阶段入手,将场景理论深入到交互设计的各个阶段,是对现有的交互设计实践的一次深化。同时,掌握交互设计中运用场景理论时的循环思维、主次思维和拆解思维,可以有效地把握产品和用户之间的关系及其用户需求,提升交互设计方向的合理性和用户对产品的满意度。研究交互设计中的场景理论,具有非常重要的价值和意义。

     

    参考文献

     

    [1] 沈贻炜. 影视剧创作[M].浙江:浙江大学出版社, 2012.

    SHEN Yiwei. Film and television drama creation[M]. Zhejiang: Zhejiang University press,2012

    [2]Carroll J M. Five reasons for scenario-based design[J]. Interacting with Computers, 2000(13):43–60.

    [3]辛向阳. 交互设计:从物理逻辑到行为逻辑[J]. 装饰, 2015(01):58-62.

    XIN Xiangyang.Interaction Design: From Logic of Things to Logic of Behaviors [J].2015.1:58-62.

    [4]李世国, 费钎. 和谐视野中的产品交互设计[J]. 包装工程, 2009(01):137-140.

    LI Shiguo, FEI Qian. Product Interaction Design in the Perspetive of Harmony [J].Packaging Engineering, 2009(01):137-140

    [5]Go K. , Carroll J. M. , Imamiya A. . Surveying scenario based approaches in sys tem design[J] . IPSJSIG Notes, HI878, 2000:43-48.

    [6]赵婉茹. 浅谈场景故事在用户体验设计中的应用[J]. 设计, 2014(09):174-175.

    ZHAO Wanru.The Application of Scenario Stories in User Experience Design [J].Design, 2014(09):174-175.

    [7] 诺曼·唐纳德 A.设计心理学[M].北京:中信出版社,2010.

    NORMAN D A.The Design of Everyday Things[M].Beijing:China CITIC Press,2010.

    [8]DDF·UXPA中国. 用户体验百家谈[M] .北京:电子工业出版社, 2014.

    DDF·UXPA China. User experience a hundred talk[M] .Beijing:Electronics Industry Press,2014

    [9]罗仕鉴, 胡一. 服务设计驱动下的模式创新[J]. 包装工程, 2015(12).1-4.

    LUO Shijian,HU Yi.Model Innovation Driven by Service Design[J]. Packaging Engineering, 2015(12).1-4.

    [10]COOPER A.软件观念革命——交互设计精髓[M].北京:电子工业出版社,2012.

    COOPER A. Software Concept Revolution: the Essence of Interaction Design[M]. Beijing: Publishing House of Electronics Industry,2012.

    [11] 安娃. 交互设计思维在服务体验中的应用[J]. 包装工程, 2015, 02期(02):5-8.

    AN Wa. Collaborative Design of Product Interaction Design System[J].Packaging Engineering,2015,02(02):5-8.

    转载于:https://www.cnblogs.com/xjmnet/p/9377274.html

    展开全文
  • 没有最好的分类器,只有最合适的分类器。

    [转] https://www.leiphone.com/news/201712/RqsxWpjPOPFy6Qm4.html


    关于这个问题我今天正好看到了这个文章,讲的正是各个算法的优劣分析,很中肯。

    正好14年的时候有人做过一个实验[1],比较在不同数据集上(121个),不同的分类器(179个)的实际效果。

    论文题为:Do we Need Hundreds of Classifiers to Solve Real World Classification Problems?

    实验时间有点早,我尝试着结合我自己的理解、一些最近的实验,来谈一谈吧。主要针对分类器(Classifier)。

    写给懒得看的人:

    没有最好的分类器,只有最合适的分类器。

    随机森林平均来说最强,但也只在9.9%的数据集上拿到了第一,优点是鲜有短板。

    SVM的平均水平紧随其后,在10.7%的数据集上拿到第一。

    神经网络(13.2%)和boosting(~9%)表现不错。

    数据维度越高,随机森林就比AdaBoost强越多,但是整体不及SVM[2]。

    数据量越大,神经网络就越强。

    近邻 (Nearest Neighbor)

    各种机器学习的应用场景分别是什么?

    典型的例子是KNN,它的思路就是——对于待判断的点,找到离它最近的几个数据点,根据它们的类型决定待判断点的类型。

    它的特点是完全跟着数据走,没有数学模型可言。

    适用情景:

    需要一个特别容易解释的模型的时候。

    比如需要向用户解释原因的推荐算法。

    贝叶斯 (Bayesian)

    各种机器学习的应用场景分别是什么?

    典型的例子是Naive Bayes,核心思路是根据条件概率计算待判断点的类型。

    是相对容易理解的一个模型,至今依然被垃圾邮件过滤器使用。

    适用情景:

    需要一个比较容易解释,而且不同维度之间相关性较小的模型的时候。

    可以高效处理高维数据,虽然结果可能不尽如人意。

    决策树 (Decision tree)

    各种机器学习的应用场景分别是什么?

    决策树的特点是它总是在沿着特征做切分。随着层层递进,这个划分会越来越细。

    虽然生成的树不容易给用户看,但是数据分析的时候,通过观察树的上层结构,能够对分类器的核心思路有一个直观的感受。

    举个简单的例子,当我们预测一个孩子的身高的时候,决策树的第一层可能是这个孩子的性别。男生走左边的树进行进一步预测,女生则走右边的树。这就说明性别对身高有很强的影响。

    适用情景:

    因为它能够生成清晰的基于特征(feature)选择不同预测结果的树状结构,数据分析师希望更好的理解手上的数据的时候往往可以使用决策树。

    同时它也是相对容易被攻击的分类器[3]。这里的攻击是指人为的改变一些特征,使得分类器判断错误。常见于垃圾邮件躲避检测中。因为决策树最终在底层判断是基于单个条件的,攻击者往往只需要改变很少的特征就可以逃过监测。

    受限于它的简单性,决策树更大的用处是作为一些更有用的算法的基石。

    随机森林 (Random forest)

    各种机器学习的应用场景分别是什么?

    提到决策树就不得不提随机森林。顾名思义,森林就是很多树。

    严格来说,随机森林其实算是一种集成算法。它首先随机选取不同的特征(feature)和训练样本(training sample),生成大量的决策树,然后综合这些决策树的结果来进行最终的分类。

    随机森林在现实分析中被大量使用,它相对于决策树,在准确性上有了很大的提升,同时一定程度上改善了决策树容易被攻击的特点。

    适用情景:

    数据维度相对低(几十维),同时对准确性有较高要求时。

    因为不需要很多参数调整就可以达到不错的效果,基本上不知道用什么方法的时候都可以先试一下随机森林。

    SVM (Support vector machine)

    各种机器学习的应用场景分别是什么?

    SVM的核心思想就是找到不同类别之间的分界面,使得两类样本尽量落在面的两边,而且离分界面尽量远。

    最早的SVM是平面的,局限很大。但是利用核函数(kernel function),我们可以把平面投射(mapping)成曲面,进而大大提高SVM的适用范围。

    各种机器学习的应用场景分别是什么?

    提高之后的SVM同样被大量使用,在实际分类中展现了很优秀的正确率。

    适用情景:

    SVM在很多数据集上都有优秀的表现。

    相对来说,SVM尽量保持与样本间距离的性质导致它抗攻击的能力更强。

    和随机森林一样,这也是一个拿到数据就可以先尝试一下的算法。

    逻辑斯蒂回归 (Logistic regression)

    各种机器学习的应用场景分别是什么?

    逻辑斯蒂回归这个名字太诡异了,我就叫它LR吧,反正讨论的是分类器,也没有别的方法叫LR。顾名思义,它其实是回归类方法的一个变体。

    回归方法的核心就是为函数找到最合适的参数,使得函数的值和样本的值最接近。例如线性回归(Linear regression)就是对于函数f(x)=ax+b,找到最合适的a,b。

    LR拟合的就不是线性函数了,它拟合的是一个概率学中的函数,f(x)的值这时候就反映了样本属于这个类的概率。

    适用情景:

    LR同样是很多分类算法的基础组件,它的好处是输出值自然地落在0到1之间,并且有概率意义。

    因为它本质上是一个线性的分类器,所以处理不好特征之间相关的情况。

    虽然效果一般,却胜在模型清晰,背后的概率学经得住推敲。它拟合出来的参数就代表了每一个特征(feature)对结果的影响。也是一个理解数据的好工具。

    判别分析 (Discriminant analysis)

    各种机器学习的应用场景分别是什么?

    判别分析主要是统计那边在用,所以我也不是很熟悉,临时找统计系的闺蜜补了补课。这里就现学现卖了。

    判别分析的典型例子是线性判别分析(Linear discriminant analysis),简称LDA。

    (这里注意不要和隐含狄利克雷分布(Latent Dirichlet allocation)弄混,虽然都叫LDA但说的不是一件事。)

    LDA的核心思想是把高维的样本投射(project)到低维上,如果要分成两类,就投射到一维。要分三类就投射到二维平面上。这样的投射当然有很多种不同的方式,LDA投射的标准就是让同类的样本尽量靠近,而不同类的尽量分开。对于未来要预测的样本,用同样的方式投射之后就可以轻易地分辨类别了。

    使用情景:

    判别分析适用于高维数据需要降维的情况,自带降维功能使得我们能方便地观察样本分布。它的正确性有数学公式可以证明,所以同样是很经得住推敲的方式。

    但是它的分类准确率往往不是很高,所以不是统计系的人就把它作为降维工具用吧。

    同时注意它是假定样本成正态分布的,所以那种同心圆形的数据就不要尝试了。

    神经网络 (Neural network)

    神经网络现在是火得不行啊。它的核心思路是利用训练样本(training sample)来逐渐地完善参数。还是举个例子预测身高的例子,如果输入的特征中有一个是性别(1:男;0:女),而输出的特征是身高(1:高;0:矮)。那么当训练样本是一个个子高的男生的时候,在神经网络中,从“男”到“高”的路线就会被强化。同理,如果来了一个个子高的女生,那从“女”到“高”的路线就会被强化。

    最终神经网络的哪些路线比较强,就由我们的样本所决定。

    神经网络的优势在于,它可以有很多很多层。如果输入输出是直接连接的,那它和LR就没有什么区别。但是通过大量中间层的引入,它就能够捕捉很多输入特征之间的关系。卷积神经网络有很经典的不同层的可视化展示(visulization),我这里就不赘述了。

    神经网络的提出其实很早了,但是它的准确率依赖于庞大的训练集,原本受限于计算机的速度,分类效果一直不如随机森林和SVM这种经典算法。

    使用情景:

    数据量庞大,参数之间存在内在联系的时候。

    当然现在神经网络不只是一个分类器,它还可以用来生成数据,用来做降维,这些就不在这里讨论了。

    Rule-based methods

    这个我是真不熟,都不知道中文翻译是什么。

    它里面典型的算法是C5.0 Rules,一个基于决策树的变体。因为决策树毕竟是树状结构,理解上还是有一定难度。所以它把决策树的结果提取出来,形成一个一个两三个条件组成的小规则。

    使用情景:

    它的准确度比决策树稍低,很少见人用。大概需要提供明确小规则来解释决定的时候才会用吧。

    提升算法(Boosting)

    接下来讲的一系列模型,都属于集成学习算法(Ensemble Learning),基于一个核心理念:三个臭皮匠,顶个诸葛亮。

    翻译过来就是:当我们把多个较弱的分类器结合起来的时候,它的结果会比一个强的分类器更

    典型的例子是AdaBoost。

    AdaBoost的实现是一个渐进的过程,从一个最基础的分类器开始,每次寻找一个最能解决当前错误样本的分类器。用加权取和(weighted sum)的方式把这个新分类器结合进已有的分类器中。

    它的好处是自带了特征选择(feature selection),只使用在训练集中发现有效的特征(feature)。这样就降低了分类时需要计算的特征数量,也在一定程度上解决了高维数据难以理解的问题。

    最经典的AdaBoost实现中,它的每一个弱分类器其实就是一个决策树。这就是之前为什么说决策树是各种算法的基石。

    使用情景:

    好的Boosting算法,它的准确性不逊于随机森林。虽然在[1]的实验中只有一个挤进前十,但是实际使用中它还是很强的。因为自带特征选择(feature selection)所以对新手很友好,是一个“不知道用什么就试一下它吧”的算法。

    装袋算法(Bagging)

    同样是弱分类器组合的思路,相对于Boosting,其实Bagging更好理解。它首先随机地抽取训练集(training set),以之为基础训练多个弱分类器。然后通过取平均,或者投票(voting)的方式决定最终的分类结果。

    因为它随机选取训练集的特点,Bagging可以一定程度上避免过渡拟合(overfit)。

    在[1]中,最强的Bagging算法是基于SVM的。如果用定义不那么严格的话,随机森林也算是Bagging的一种。

    使用情景:

    相较于经典的必使算法,Bagging使用的人更少一些。一部分的原因是Bagging的效果和参数的选择关系比较大,用默认参数往往没有很好的效果。

    虽然调对参数结果会比决策树和LR好,但是模型也变得复杂了,没事有特别的原因就别用它了。

    Stacking

    这个我是真不知道中文怎么说了。它所做的是在多个分类器的结果上,再套一个新的分类器。

    这个新的分类器就基于弱分类器的分析结果,加上训练标签(training label)进行训练。一般这最后一层用的是LR。

    Stacking在[1]里面的表现不好,可能是因为增加的一层分类器引入了更多的参数,也可能是因为有过渡拟合(overfit)的现象。

    使用情景:

    @庄岩提醒说stacking在数据挖掘竞赛的网站kaggle上很火,相信参数调得好的话还是对结果能有帮助的。

    这篇文章很好地介绍了stacking的好处。在kaggle这种一点点提升就意味着名次不同的场合下,stacking还是很有效的,但是对于一般商用,它所带来的提升就很难值回额外的复杂度了。)

    多专家模型(Mixture of Experts)

    最近这个模型还挺流行的,主要是用来合并神经网络的分类结果。我也不是很熟,对神经网络感兴趣,而且训练集异质性(heterogeneity)比较强的话可以研究一下这个。

    讲到这里分类器其实基本说完了。讲一下问题里面其他一些名词吧。

    最大熵模型 (Maximum entropy model)

    最大熵模型本身不是分类器,它一般是用来判断模型预测结果的好坏的。

    对于它来说,分类器预测是相当于是:针对样本,给每个类一个出现概率。比如说样本的特征是:性别男。我的分类器可能就给出了下面这样一个概率:高(60%),矮(40%)。

    而如果这个样本真的是高的,那我们就得了一个分数60%。最大熵模型的目标就是让这些分数的乘积尽量大。

    LR其实就是使用最大熵模型作为优化目标的一个算法[4]。

    EM

    就像最大熵模型一样,EM不是分类器,而是一个思路。很多算法都是基于这个思路实现的。

    @刘奕驰 已经讲得很清楚了,我就不多说了。

    隐马尔科夫 (Hidden Markov model)

    这是一个基于序列的预测方法,核心思想就是通过上一个(或几个)状态预测下一个状态。

    之所以叫“隐”马尔科夫是因为它的设定是状态本身我们是看不到的,我们只能根据状态生成的结果序列来学习可能的状态。

    适用场景:

    可以用于序列的预测,可以用来生成序列。

    条件随机场 (Conditional random field)

    典型的例子是linear-chain CRF。

    具体的使用@Aron有讲,我就不献丑了,因为我从来没用过这个。

    相关的文章:

    [1]: Do we need hundreds of classifiers to solve real world classification problems.

    Fernández-Delgado, Manuel, et al. J. Mach. Learn. Res 15.1 (2014)

    [2]: An empirical evaluation of supervised learning in high dimensions.

    Rich Caruana, Nikos Karampatziakis, and Ainur Yessenalina. ICML '08

    [3]: Man vs. Machine: Practical Adversarial Detection of Malicious Crowdsourcing Workers

    Wang, G., Wang, T., Zheng, H., & Zhao, B. Y. Usenix Security'14

    [4]: http://www.win-vector.com/dfiles/LogisticRegressionMaxEnt.pdf


    展开全文
  • 应用|5G时代10大应用场景

    万次阅读 2019-03-10 00:22:02
    来源:数字化企业摘要:5G商用日益临近,大家可曾想过5G技术未来有哪些具体的应用场景呢?作为5G领跑者的华为公司,早在2年前就出了一份白皮书,这份报告探讨了最能体现5G能...
        

    640?wx_fmt=jpeg

    来源:数字化企业

    摘要:5G商用日益临近,大家可曾想过5G技术未来有哪些具体的应用场景呢?


    作为5G领跑者的华为公司,早在2年前就出了一份白皮书,这份报告探讨了最能体现5G能力的十大应用场景。


    简要列表如下


    1.云VR/AR

    实时计算机图像渲染和建模

    2.车联网

    远控驾驶、编队行驶、自动驾驶

    3.智能制造

    无线机器人云端控制

    4.智慧能源

    馈线自动化

    5.无线医疗

    具备力反馈的远程诊断

    6.无线家庭娱乐

    超高清8K视频和云游戏

    7.联网无人机

    专业巡检和安防

    8.社交网络

    超高清/全景直播

    9.个人AI辅助

    AI辅助智能头盔

    10.智慧城市

    AI使能的视频监控


    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif

    640?wx_fmt=gif


    未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


    未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。


      如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”


    640?wx_fmt=jpeg

    展开全文
  • 各个语言擅长的应用场景

    万次阅读 2019-10-26 11:13:45
    C语言的应用领域极为广泛,从操作系统、嵌入式领域、数据库、服务器、单片机、编译器,到Linux开发等,几乎每个领域都有其身影。对于新手来说,C语言起步难度较大,然而一旦稳定掌握即可前途无忧,拥有3-5年开发...

    1、C
    C语言的应用领域极为广泛,从操作系统、嵌入式领域、数据库、服务器、单片机、编译器,到Linux开发等,几乎每个领域都有其身影。对于新手来说,C语言起步难度较大,然而一旦稳定掌握即可前途无忧,拥有3-5年开发C语言经验的程序员月薪约为10-15k,而拥有5-10年工龄的码农,月薪可达到25K-50K。C语言是一门非常基础的“必学语言”,硬件开发行业对于优秀的C语言开发者将是不错的选择方向,英特尔、ARM这样的国际巨头会是很好的归宿。
    2、C++
    C++的特点是什么?强大!当你需要直接访问硬件获得最大处理能力时,C++是不二选择,同时它也是开发桌面软件、操作系统、图形处理、游戏、网站、搜索引擎、数据库,以及开发在桌面、控制端和移动设备上的内容密集型应用的优秀编程语言。但对于新手来说,C++不是那么友好,属于上手慢、但根基稳的“正派武功”,没有3-5年的学习时间很难上手,一旦出山便是稳健、优秀的代名词。在国内,具有3年以上C++开发经验的码农,月薪不会低于20K-50K。优秀的求职可以把腾讯作为目标。
    3、JAVA
    Java的应用场景包括移动(Android)应用、金融行业应用服务器程序、网站、嵌入式领域、大数据技术(包括Hadoop及其他大数据处理技术)科学应用等。虽然各种编程语言轮番走红,但Java依然在最受欢迎的编程语言中高居前二。根据2017年的最新数据,美国的Java程序员平均年薪约为10.2万美元,国内具有2-3年Java开发经验的程序员,月薪大约在10-15K左右,5年以上的开发人员则可达到25-50K。怀揣大公司梦的从业者,如果Java开发技术优异,有望在阿里这样的企业谋得一席之地。
    4、PHP
    PHP(超级文本预处理语言)是开发网页应用的最基本工具,又一种广受网站开发者欢迎的服务器端语言,PHP被应用于绝大多数的数据驱动网站,超过80%的网站,包括Facebook,Wikipedia,Tumblr和WordPress的创建都离不开PHP。PHP的易上手性,使其成为很多网站开发者最初学习掌握的语言。
    5、GO
    Go(或称GOLANG)是一门由Google于2007年开发的开源编程语言。其优点是标准库强大、编译速度快。另外,Go善于处理并发任务和程序。作为自己的亲生孩子,Google给予了Go大量支持,目前使用Go语言的大型网站包括Netflix、YouTube和Adobe。
    6、C#
    C#出生在2000年,它的父亲微软是当时无可匹敌的行业巨无霸,所以C#可以说是含着金钥匙出生的。虽然今时不同往日,微软已不再是当初那个微软,然而瘦死的骆驼比马大,如果打算在微软的开发环境下有所发展、建树,C#依然主要选择。无论是在微软云计算平台Windows Azure和.NET框架创建现代网页应用,还是开发Windows终端应用,又或者开发企业级桌面应用,C#都能够既快又稳地进行驾驭。

    7、R语言
    诞生于1993年的R语言推动了大数据革命。如果打算从事移动应用开发,你可以忽略R,但如果计划在统计分析、绘图、数据挖掘等近领域有所建树,R是你不得不学习的一门语言。这也是在人工智能及大数据时代来临之际,R语言越来越受欢迎的原因。

    8.JavaScript
    虽然舆论一直在渲染移动时代的崛起和PC时代的没落,而每个企业拥有一个网站时代也一去不复返,但不可否认的是,在很多应用场景下,网站依然具有不可替代的作用,网站的建设离不开JavaScript。 在网站互动、搭建用户界面、网页游戏等方面,JavaScript是最佳选择。
    9、Swift
    Swift是由苹果公司推出,用于开发苹果生态系统(包括iOS,macOS)应用的基础语言。简单来说,作为Objective-C的接班人,Swift是史上发展最快的编程语言之一。由于其干净、快速、正确率高、可缩短代码长度以节省开发时间等优点,广受开发者的喜爱。另外,Swift是一种开源开发语言,不仅限于苹果的平台,开发者也可选择在Windows或者Linux上进行开发。学习Swift开发最多能够获得多少收入?那取决于你能不能开发出一款App Store热门应用了。
    10、Python
    Python是最近几年最火的编程语言,没有之一!在IEEE发布的2017年编程语言排行榜中,Python高居首位。虽然在Java和C语言称王称霸的那些年代不那么耀眼,但Python并不是一匹新兴的黑马,实际上,Python早在1991年就出现了。作为一种应用广泛的高级编程语言,在人工智能、数据科学、Web应用、用户交互界面、自动化任务、统计等等方面,Python总能找到自己的位置。正是这种特性,让Python坐上了AI及大数据时代的头把交椅。
    11、perl/shell
    Linux下字符串处理和脚本
    12、matlab
    图像,信号等领域仿真与算法设计。机器学习。

    展开全文
  • Java设计模式的常见应用场景

    万次阅读 多人点赞 2017-08-10 16:20:23
    一、Java I/O中的设计模式1、适配器模式适配器模式就是把一个类的接口变换成客户端所能接受的另一种接口,从而使两个接口不匹配而无法在一起工作的两个类能够在一起工作。通常被用在一个项目需要引用一些开源框架来...
  • 并查集经典应用场景

    千次阅读 2019-04-20 16:47:48
    例1、家庭财产问题 题目描述 给定每个人的家庭成员和其自己名下的房产,请你统计出每个家庭的人口数、人均房产面积及房产套数。 输入格式: 输入第一行给出一个正整数N(≤1000),随后N行,每行按下列格式给出一个...
  • 5G十大细分应用场景研究报告

    万次阅读 多人点赞 2019-06-22 17:38:27
    从全球视角来看,目前5G无论是在技术、标准、产业生态还是网络部署等方面都取得了阶段性的成果,5G落地的最后一环——应用场景正逐渐在各行各业实现。5G应用落地有哪些规律?哪些应用最先走向成熟?本报告立足ITU...
  • LPWAN,Low Power Wide Area Network,低功耗广域网。名字里就有它的两个最重要的特点:低功耗、广覆盖。目前比较主流的有:NB-IoT、LoRa、Sigfox、eMTC。NB-IoT全名是Narrow Band IoT,也就是窄带物联网(带宽窄,...
  • 区块链七大应用场景

    万次阅读 2019-09-05 18:47:25
    一、应用场景:信息共享 这应该是区块链最简单的应用场景,就是信息互通有无。 1、传统的信息共享的痛点 要么是统一由一个中心进行信息发布和分发,要么是彼此之间定时批量对账(典型的每天一次),对于有时效性...
  • 线程池的实际应用场景

    万次阅读 2019-05-31 18:19:26
    在实际应用使用java中的线程池,我构建了一个线程数为5个线程池,然后采用分段批量提取的方式每500条为一组数据进行图片信息的提取,然后再把这些通过Threadpool的execute方法交给线程池中的线程进行处理,即充分...
  • 多线程使用场景(经典必看)

    万次阅读 2018-01-15 13:30:47
    应用场景: 1,最典型的应用比如tomcat,tomcat内部采用的就是多线程,上百个客户端访问同一个web应用,tomcat接入后都是把后续的处理扔给一个新的线程来处理,这个新的线程最后调用到我们的servlet程序,比如doGet...
  • MyISAM和InnoDB的主要区别和应用场景

    万次阅读 2017-01-12 10:03:33
    主要区别: 1).MyISAM是非事务安全型的,而InnoDB是事务安全型的...4).MyISAM相对简单,所以在效率上要优于InnoDB,小型应用可以考虑使用MyISAM。 5).MyISAM表是保存成文件的形式,在跨平台的数据转移中使用MyISA
  • 微信7种支付应用场景

    千次阅读 2019-03-13 14:27:02
    #微信7种支付应用场景# JSAPI:微信内置浏览器唤醒,使用服务号 H5:手机浏览器支付,商户号 native:PC浏览器扫码支付,商户号 App:IOS和Android,商户号 小程序:服务号中的服务商模式 付款码:711便利店超市等 ...
  • lua应用场景

    千次阅读 2018-08-08 22:16:05
    lua应用场景: C和C++编写,性能很好,一般嵌入应用,扩展应用功能和提高性能。 Nginx + lua 处理http请求时,可在11个阶段插入lua脚本 redis + lua 实现原子操作,避免多线程数据不一致的问题 * java ...
  • MongoDB应用场景

    千次阅读 2016-11-30 09:37:44
    客户场景1、用在应用服务器的日志记录,查找起来比文本灵活,导出也很方便。也是给应用练手,从外围系统开始使用MongoDB。2、在一些第三方信息的获取或者抓取,因为MongoDB的schema-less,所有格式灵活,不用为了...
  • solr 使用场景

    千次阅读 2017-07-21 15:28:06
    1 solr 主要用于对其他存储系统中已有的一些数据做分析,查询,然后显示结果。当然它也可以直接存储...3 适用场景: 对于存储在文件中的日志 可以导入到solr中做分析, 对于 关系型数据库里需要做全文搜索的字段 可
  • int 和Integer的区别 以及应用场景

    千次阅读 2017-12-11 11:25:20
    1.int是基本数据类型 Integer是封装类 ...应用场景的区别: 比如要体现出 考试成绩为0和缺考的区别的时候 用Integer可以 int不行 比如用容器的时候 ,ArrayList等职能放对象,不能放基本数据类型。
  • RTMP和RTSP使用场景区别

    万次阅读 2016-08-16 11:40:33
    可以用RTMP。RTP传输效率可能会高一些,不过RTP这些主要是用于专网(比如IPTV)的,用在互联网上可能会丢包。rtmp基于TCPrtsp服务器当然是支持rtsp协议的服务器,RTMP其实就是flash的服务器
  • MongoDB特点和使用场景

    千次阅读 2019-05-17 09:19:10
    Mongodb的优点与不足 (1)Mongodb的不足之处 在集群分片中的数据分布不均匀 单机可靠性比较差 大数据量持续插入,写入性能有较大波动 ...MongoDB 的应用场景和不适用场景 1.适用场景 对于MongoDB实际应用来讲...
  • 闭包及其应用场景

    万次阅读 2018-08-27 15:12:46
    闭包的使用场景: 1】、采用函数引用方式的setTimeout调用 setTimeout的第一个参数一般是一个即将要执行的函数,第二个参数是一个延迟时间。 如果一段代码想要通过setTimeout来调用,那么它需要传递一个函数对...
1 2 3 4 5 ... 20
收藏数 1,645,389
精华内容 658,155
关键字:

应用场景