精华内容
下载资源
问答
  • 2021-12-15 13:56:53

    项目管理是什么,以及管理的价值和意义有哪些?

    首先我们在说项目管理对于企业的价值和意义的时候,首先需要明白几个问题:

    一、项目管理是什么?

    首先,用保罗·格雷斯的一句话引言:“21 世纪的社会,一切都是项目,一切也必须将成为项目。”项目管理已逐渐成为在当今急剧变化时代中企业求生存谋发展的利器。

    总结的来说,项目管理主要是:

    1、通过周密计划,管好人、事、物,达到目标。

    2、运用知识、工具、技能、技术,解决问题或达到目的。

    3、项目管理的价值在于沿着正确方向获得正确结果。

    二、项目管理的三要素?

    其实这个问题,从实际+理论就很容易结合。

    首先是要明确管理的要素。这是决定项目成败的关键所在,主要是三个方面:

    1、项目范围管理:有效降低项目范围变更对项目的影响,是保证项目顺利实施的先决条件。

    2、项目进度管理:规定的时间内,完成一定的计划并执行,是客户/企业价值的重要因素。

    3、项目成本管理:规定的预算内,完成目标,是影响企业价值的核心要素。

    图片

    三、项目管理的三核心目标?

    其次要明确项目的目标。抛开项目管理的知识领域和过程组先不说纯理论知识,每个项目都应该有最基本最基础的三个目标(当然项目不同可能涉及到的目标不同,但是归根结底都可以从这三个角度去理解):

    1、质量目标:这是项目实施的成功之本。

    2、成本目标:这是项目实施的核心任务。

    3、工期目标:这是项目实施的基础要求。

    细分发现,项目中这三个目标又是相互影响,相互制约,相互矛盾的。比如:财务要求成本低了,质量下降了,质量要求上去了,工期又有影响。所以在管理的核心中,是去平衡这三项目标。

    所以在平衡项目目标的过程中,就需要项目管理手段、工具、标准等等内容去实现(这就是延伸出来理论中的知识领域和过程组,以及项目管理领域的很多方法、技巧等知识)。

    四、项目管理的价值和意义体现?

    归根结底,所有的功课,最终的目的还是:确保项目管理的目标必须协调一致,把看似矛盾的目标均衡化制约,让其最终不能互相矛盾(也就是确定项目的“熵”)。

    最后就会发现,项目的目标实现了,就满足了多方面的需求,这也就是项目实施的核心价值和意义所在。

    1、企业角度:

    (1)产品服务:产品服务交付、产品市场、产品验证、业务发展……

    (2)战略规划:战术地位、争议解决、话语权、市场战略、未来投资......

    (3)关键指标:销量、客户量、销售额、效率提升、目标达成......

    (4)盈利收益:客户肯定、市场收益、荣誉、财务、团队、发展……

    2、客户角度:

    (1)满足需求:业务、管理、经济、效率提升、质量达标……

    (2)关键标签:物有所值、超出期望、提质增效......

    3、成员角度:

    (1)能力提升:工作技能、技巧、经验、知识领域、专业性……

    (2)获得成就:能力证明、荣誉、信心、被肯定、被认可......

    (3)职业生涯:职业储备、就业机会、晋升机会、被重视......

    (4)财富积累:工作稳定、薪资调整、奖金、奖励……

    五、项目管理核心理念?

    理解了项目管理,管理的要素,目标以及项目管理的价值和意义,就需要怎么去做,怎么去把握。

    这个过程不是快餐和干货就能满足的,需要去不断积累,时常总结,仔细品、认真悟,才能有所收货。

    这里是说下五大核心理念:

    1、以客户为中心:交付成果或者核心目标必须满足客户要求/客户价值。

    2、以目标为导向:明确项目核心目标,以及涉及到的约束、先决条件。

    3、以团队为模式:管事先管人,做事先做人,高效协作的团队是取胜的关键法宝。

    4、以计划为主线:预则立,不预则废,有效的计划必须贯穿项目生命周期管理的始终。

    5、以控制为手段:用各种手段、方法、工具去达成目的,注意时刻动态调整。

    做好管理,长路漫漫,但还需要综合能力的提升。在这里借用王国维《人间词话》所说的人生三种境界,和大家分享和总结下项目管理的境界。

    1、昨夜西风凋碧树。独上高楼,望尽天涯路:做项目管理,首先要有执着的追求,登高望远,了解核心目标,瞰察路径,掌握核心内容,明确目标与方向,了解项目的概貌。可对应项目启动和前期的实施。

    2、衣带渐宽终不悔,为伊消得人憔悴:成大项目,不是轻而易举,随便可得的,必须坚定不移,经过一番辛勤劳动,废寝忘食,孜孜以求,直至人瘦带宽也不后悔。可对应项目的实施过程。

    3、众里寻他千百度,蓦然回首,那人却在灯火阑珊处:项目的验收成功,必须有专注的精神,反复追寻、研究,下足功夫,自然会豁然贯通,有所发现,只有做到最后,明白始终,从项目管理先行到战略管理先行,那项目必然是成功的。可对应项目管理的验收和后续项目总结。

    应广大粉丝要求,我们建立了一个【PMO前沿交流群】,小伙伴们热情踊跃,目前人数已经上万人了,不能直接进群啦,想要进群的添加小编微信,拉你进群。两个添加其一即可!

    欢迎加入中国最大的PMO&PM社群

    对应项目管理的验收和后续项目总结。

    更多相关内容
  • 金地_高端项目_产品价值树研究.pptx
  • 金地_高端项目_产品价值树研究_46PPT.pptx
  • jquery设计的产品树形介绍效果。 简单生活,希望对大家有用!要觉得本文有价值请分享给您的朋友,生活就是人来人往,分享越多!收获越多!作者:天天ASP家园
  • 商品销售管理是企业经营管理中的一个重要环节,通过建立商品促销决策的数据挖掘模型,企业可以获取有助于销售决策的大量有价值的信息,从而获得竞争优势.该文采用决策支持模型来发掘不同客户群的商品购买需求.首先对...
  • TreeNewBee:新风

    2021-04-01 17:31:28
    讲文明新风 最小的设计是聚焦用户感知赛道,通过差异化和颗粒度达到引爆点。交付价值是在垂直领域采用重叠打法实现持久收益。抽离透传归因分析作为抓手为产品赋能,经历衡量作为闭环的评判标准。亮点是载体,优势...
  • CSDN技能测评:开宗立派但仍需精雕细琢

    万次阅读 多人点赞 2022-04-14 12:38:49
       第一次使用CSDN的技能,由于之前没有在同类博客平台中看到类似的产品,感觉很有创新性和逻辑性。通过对领域知识的梳理与总结,从而构建出完整的知识脉络或者知识图谱。不仅能够对迷茫的新手指引高效的学习...

      大家好,我是 herosunly。985 院校硕士毕业,现担任算法研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池安全恶意程序检测第一名,科大讯飞恶意软件分类挑战赛第三名,CCF 恶意软件家族分类第四名,科大讯飞阿尔茨海默综合症预测挑战赛第四名,科大讯飞事件抽取挑战赛第七名,Datacon 大数据安全分析比赛第五名。拥有多项发明专利。对机器学习、深度学习、Python拥有自己独到的见解。今天给大家带来的文章是CSDN技能树测评:开宗立派但仍需精雕细琢,希望大家能够喜欢。

    1. CSDN技能树之初见

      第一次使用CSDN的技能树,由于之前没有在同类博客平台中看到类似的产品,感觉很有创新性和逻辑性。通过对领域知识的梳理与总结,从而构建出完整的知识脉络或者知识图谱。不仅能够对迷茫的新手指引高效的学习方向,从而帮助他们少走弯路。也方便老鸟进行高效且全面的复习。所以CSDN技能树立意很好,本质上属于开宗立派的产品。

    在这里插入图片描述

      技能树每周都在迭代更新,让我们看到了更大的希望与信心。举例来说,技能树中的加入计划能够辅助同学们合理地安排学习计划,从而帮助同学们提高学习效率。

      答题月榜和贡献总榜通过使用榜单效应,有利于形成学习与贡献的良性循环,最终实现自我的成就感与使命感。

    2. 抛砖引玉之拙见

      但事物发展的前途是光明的,道路是曲折的。作为创作博客十年有余的老用户,站在新手的角度来谈现有技能树的一些思考与体会,仅做抛砖引玉,不足之处还望见谅。

      下图为现有的技能树,从局部来看,每颗技能树的知识是很完备的,但从全局来看,各棵树之间没有联系。建议增加一篇总括性的文章,比如具体某个编程语言或者工具是用来做什么的,这些语言或者工具之间是什么样的联系;构建计算机系统学习路线图,也就是技能树的推荐学习顺序以及理由,从而方便新手从入门学到进阶。除此之外,强烈建议增加学习之法的文章作为技能树的辅助内容,从而帮助新手同学提高学习效率,减少低效的无用努力。具体来说,如何自学第一手资料(官网教程、paper)、如何在把握整体框架的基础上理解重要概念和内容等。这部分内容均在我的专栏:Python新手快速入门中进行了详细的讲解,欢迎新手订阅学习。

      再具体说说使用Python技能树的一些建议吧,第一篇是Python简介,该篇内容没有一张图片而且内容也不够精彩。建议从趣味性、实用性等角度重新构建文章。趣味性可以从Python的起名由来开始介绍,我来抛砖引玉介绍一下:

      Python对应的中文翻译为蟒蛇,不禁会让大家想起了互联网熟知的熊厂(百度)、猫厂(阿里)、鹅厂(腾讯)。但实际上它的名字是来源于英国电视喜剧片:Monty Python and the Flying Circus(蒙提·派森的飞行马戏团)。该片是由20世纪70年代Monty Python等六人喜剧团体所创作的。大家可以猜一下哪位是Monty Python。

      而我们的Python之父Guido von Rossum也是非常喜爱该节目,所以将自身苦心研发出来的计算机语言命名为Python编程语言。如果让大家给未来的编程语言取个响亮的名字,大家会取什么样的名字呢?

      从实用性的角度,可以结合Python的地位(编程语言排行榜)、Python的用途来进行介绍。再来抛砖引玉介绍一下:

      那么问题来了,现在市面上这么多编程语言,我们为什么要学习Python呢?

      首先我们来看下最新的TIOBE编程排行榜(2022年4月),Python位居榜首,如下图所示,完整榜单可点击https://www.tiobe.com/tiobe-index/进行查看:
    在这里插入图片描述
      同样一项编程工作C语言可能要写1000行,Java要写100行,而Python往往只需10行就能搞定。那么为什么Python能达到这样的效果呢?本质上是由于Python拥有丰富的第三方库,再加上它的语法写也比较接近于人类语言。所以非常有利于新手入门学习。

      虽然Python能够完成很多重要的工作,比如自动化、爬虫、机器学习。但是Python也不是万能的,比如编写操作系统还是要用C和汇编语言来完成,网站的前端还是基于HTML、CSS、Javascript来完成,网站的后端还是基于Java、Go等语言来完成。但对于编程新手来说,先学习Python打好编程基础,然后再去学习其他编程语言无疑是又快又好的捷径。

      而现有的文章一上来就是概念名词。初学者看了就会极为懵逼(每个字都认识,可是这些字放在一起,就搞不清楚了)。

    在这里插入图片描述
      翻阅了大多数的博客,虽然内容很完整,但是很多文字内容很像是千篇一律的内容,建议让领域专家进行精雕细琢的创作。创作可以把握逻辑性、趣味性、实用性的要点进行,而不用过多强调完整性,因为真正学懂一个知识比了解三个知识更有价值。根据镜像神经元的科学原理,读者自然而然就会对博主的用心感同身受,必然也会大大提高读者的学习体验与学习动力。

      除此之外,一些博客还存在个别的小问题,比如引流和错别字。此部分内容容易修改,建议官方及时进行修改:
    在这里插入图片描述
    在这里插入图片描述

      练习题的设置也有待商榷,还没有进入到基础语法学习的练习题就涉及到循环、列表等具体语法内容了,对新手不够友好。建议可以增加一些开放性的题目,比如上文举例的问题:如果让大家给未来的编程语言取个响亮的名字,大家会取什么样的名字呢?

    在这里插入图片描述

    在这里插入图片描述

      感谢CSDN一直以来的支持和认可,希望自己能和CSDN一起成长进步。最后祝愿CSDN蓬勃发展,百尺竿头更进一步。

    展开全文
  • 本文介绍一种分类算法——决策,可以用它预测NBA篮球赛的获胜球队。
    本文介绍一种分类算法——决策树,用它预测 NBA篮球赛的获胜球队。比起其他算法,决
    策树有很多优点,其中最主要的一个优点是决策过程是机器和人都能看懂的,我们使用机器学习
    到的模型就能完成预测任务。正如我们将讲到的,决策树的另一个优点则是它能处理多种不同类型的特征。
    本章主要内容有:
    pandas 库加载、处理数据
    决策树
    随机森林
    对真实数据集进行数据挖掘
    创建新特征,用强有力的框架对其进行测试

    一 加载数据集

    如果你看过NBA,可能知道比赛中两支球队比分咬得 很紧,难分胜负,有时最后一分钟才能定输赢,因此预测赢家很难。很多体育赛事都有类似的特 点,预期的大赢家也许当天被另一支队伍给打败了。

    以往很多对体育赛事预测的研究表明,正确率因体育赛事而异,其上限在 70%~80% 之间。
    体育赛事预测多采用数据挖掘或统计学方法。

    二 采集数据

    我们将使用 NBA 2013 2014 赛季的比赛数据。 http://Basketball-Reference.com 网站提供了 NBA
    及其他赛事的大量资料和统计数据。请按以下方法下载数据。
    (1) 在浏览器中打开 http://www.basketball-reference.com/leagues/NBA_2014_games.html
    (2) 点击标题 Regular Season 旁边的 Export 按钮。
    (3) 将文件下载到 Data 文件夹,记录文件的路径。
    数据文件格式为 CSV ,包含了 NBA 常规赛季的 1230 场比赛。
    CSV 为简单的文本格式文件,每行为一条用逗号分隔的数据(文件格式的名字就是这么来
    的)。在记事本里输入内容,保存时使用 .csv 扩展名,也能生成 CSV 文件。只要能阅读文本文件的
    编辑器,就能打开 CSV 文件,也可以用 Excel 把它作为电子表格打开。
    我们用 pandas Python Data Analysis 的简写,意为 Python 数据分析)库加载这些数据, pandas
    在数据处理方面特别有用。 Python 内置了读写 CSV 文件的 csv 库。但是,考虑到后面创建新特征
    时还要用到 pandas 更强大的一些函数,所以我们干脆用 pandas 加载数据文件。

    三 用pandas加载数据集

    pandas 库是用来加载、管理和处理数据的。它在后台处理数据结构,支持诸计算均值等分析
    方法。
    如果做过大量数据挖掘实验,就会发现自己翻来覆去地编写文件读取、特征抽取等函数。而
    这些函数每重新实现一次,都可能引入新错误。使用 pandas 等封装了很多功能的库,能有效减少
    反复实现上述函数所带来的工作量,并能保证代码的正确性。

    read_csv函数就能加载数据集:

    import pandas as pd
    dataset = pd.read_csv(data_filename)
    上述代码会加载数据集,将其保存到 数据框 dataframe )中。数据框提供了一些非常好用的
    方法,后面会用到。我们来看看数据集是否有问题。输入以下代码,输出数据集的前 5 行:
    dataset.ix[:5]
    输出结果如下:

     从输出结果来看,这个数据集可以用,但存在几个小问题。下面我们就来修复这些问题。

    四 数据集清洗

    从上面的输出结果中,我们发现了以下几个问题。
    日期是字符串格式,而不是日期对象。
    第一行没有数据。
    从视觉上检查结果,发现表头不完整或者不正确。
    这些问题来自数据,我们可以改动数据本身,但是这样做的话,容易忘记之前做过哪些操作,
    落下步骤或是弄错哪一步,因而无法重现之前的结果。
    我们用 pandas 对原始数据进行预处理。
    pandas.read_csv 函数提供了可用来修复数据的参数,导入文件时指定这几个参数就好。
    导入后,我们还可以修改文件的头部,如下所示:
    dataset = pd.read_csv(data_filename, parse_dates=["Date"], 
     skiprows=[0,]) 
    dataset.columns = ["Date", "Score Type", "Visitor Team", 
     "VisitorPts", "Home Team", "HomePts", "OT?", "Notes"]

    经过这些处理之后,结果会有很大改善,我们再来输出前5行看看:

    dataset.ix[:5]
    结果如下:

    即使原始数据很规整,比如刚使用的这个,我们仍需要对其做些调整。其中一个原因是,文
    件可能来自不同的系统,由于存在兼容性问题,文件也许会发生变化。
    既然数据已经准备好,在开始编写预测算法之前,我们先定下一个正确率作为基准。该基准
    任何算法都应该能达到。
    每场比赛有两个队:主场队和客场队。最直接的方法就是拿几率作为基准,猜中的几率为
    50% 。猜测任意一支球队获胜,都有一半胜算。

    五 提取新特征

    我们接下来通过组合和比较现有数据抽取特征。首先,确定类别值。在测试阶段,拿算法得
    到的分类结果与它对比,就能知道结果是否正确。类别可以有多种表示方法,我们这里用 1 表示
    主场队获胜,用 0 表示客场队获胜。对于篮球比赛而言,得分最多的队伍获胜。虽然数据集没有
    明确给出各球队的胜负情况,但是稍加计算就能得到。
    找出主场获胜的球队
    dataset["HomeWin"] = dataset["VisitorPts"] < dataset["HomePts"]
    我们把主场获胜球队的数据保存到 NumPy 数组里,稍后要用 scikit-learn 分类器对其进行
    处理。当前 pandas scikit-learn 并没有进行整合,但是借助 NumPy 数组,它们配合地很好。
    我们用 pandas 抽取特征后再用 scikit-learn 抽取特征具体的值。
    y_true = dataset["HomeWin"].values
    上面的 y_true 数组保存的是类别数据, scikit-learn 可直接读取该数组。
    我们还可以创建一些特征用于数据挖掘。有时候,只要把原始数据丢给分类器就行了,但通
    常需要先抽取数值型或类别型特征。
    首先,创建两个能帮助我们进行预测的特征,分别是这两支队伍上场比赛的胜负情况。赢得
    上场比赛,大致可以说明该球队水平较高。
    遍历每一行数据,记录获胜球队。当到达一行新数据时,分别查看该行数据中的两支球队在
    各自的上一场比赛中有没有获胜的。
    创建(默认)字典,存储球队上次比赛的结果。
    from collections import defaultdict 
    won_last = defaultdict(int)
    字典的键为球队,值为是否赢得上一场比赛。遍历所有行,在此过程中,更新每一行,为其
    增加两个特征值:两支球队在上场比赛有没有获胜。
    for index, row in dataset.iterrows(): 
     home_team = row["Home Team"] 
     visitor_team = row["Visitor Team"] 
     row["HomeLastWin"] = won_last[home_team] 
     row["VisitorLastWin"] = won_last[visitor_team] 
     dataset.ix[index] = row

    请注意,上述代码假定数据集是按照时间顺序排列的。我们所使用的数据集是按这种顺序排

    列的,如果你的数据集不是这样,你需要把代码中的dataset.iterrows()替换为

    import pandas as pd
    dataset = pd.read_csv(data_filename)
    用当前比赛(遍历到的那一行数据所表示的比赛)的结果更新两支球队上场比赛的获胜情况,
    以便下次再遍历到这两支球队时使用。代码如下:
    won_last[home_team] = row["HomeWin"] 
     won_last[visitor_team] = not row["HomeWin"]
    上述代码运行结束后,我们多了两个新特征: HomeLastWin VisitorLastWin 。我们再来看下
    数据集。这次只看前 5 条意义不大。只有一个球队参加过两场比赛后,我们才知道它在上场比赛
    表现如何。以下代码将输出本赛季第 20~25 场比赛:
    dataset.ix[20:25]
    输出结果如下:

    更换上述代码中的索引值,查看其他部分数据。别忘了,一共有1000多场比赛呢!

    现在,每个队(包括上个赛季的冠军!)在数据集中第一次出现时,都假定它们在上场比赛
    中失败。其实可以用上一年的数据弥补缺失的信息,从而改进这个特征,但这里就先做简单处
    理了。

    六 决策树

    决策树是一种有监督的机器学习算法,它看起来就像是由一系列节点组成的流程图,其中位
    于上层节点的值决定下一步走向哪个节点。

    跟大多数分类算法一样,决策树也分为两大步骤。
    首先是训练阶段,用训练数据构造一棵树。上一章的近邻算法没有训练阶段,但是决策
    树需要。从这个意义上说,近邻算法是一种惰性算法,在用它进行分类时,它才开始干
    活。相反,决策树跟大多数机器学习方法类似,是一种积极学习的算法,在训练阶段完
    成模型的创建。
     其次是预测阶段,用训练好的决策树预测新数据的类别。以上图为例, ["is raining",
    "very windy"] 的预测结果为“ Bad ”(坏天气)。
    创建决策树的算法有多种,大都通过迭代生成一棵树。它们从根节点开始,选取最佳特征,
    用于第一个决策,到达下一个节点,选择下一个最佳特征,以此类推。当发现无法从增加树的层
    级中获得更多信息时,算法启动退出机制。
    scikit-learn 库实现了 分类回归树 Classification and Regression Trees CART )算法并将
    其作为生成决策树的默认算法,它支持连续型特征和类别型特征。

    七 决策树中的参数

    退出准则是决策树的一个重要特性。构建决策树时,最后几步决策仅依赖于少数个体,随意
    性大。使用特定节点作出推测容易导致过拟合训练数据,而使用退出准则可以防止决策精度过高。
    除了设定退出准则外,也可以先创建一棵完整的树,再对其进行修剪,去掉对整个过程没有
    提供太多信息的节点。这个过程叫作剪枝(pruning )。
    scikit-learn 库实现的决策树算法给出了退出方法,使用下面这两个选项就可以达到目的。
    min_samples_split :指定创建一个新节点至少需要的个体数量。
    min_samples_leaf :指定为了保留节点,每个节点至少应该包含的个体数量。
    第一个参数控制着决策节点的创建,第二个参数决定着决策节点能否被保留。
    决策树的另一个参数是创建决策的标准,常用的有以下两个。
    基尼不纯度 Gini impurity ):用于衡量决策节点错误预测新个体类别的比例。
    信息增益 Information gain ):用信息论中的熵来表示决策节点提供多少新信息。

    八 使用决策树

    scikit-learn库中导入DecisionTreeClassifier类,用它创建决策树。

    from sklearn.tree import DecisionTreeClassifier 
    clf = DecisionTreeClassifier(random_state=14)
    我们再次设定 random_state 的值为 14 。本书中凡是用到 random_state
    地方,我们都用该值。使用相同的随机种子( random seed ),能够保证几次实
    验结果相同。然而,在以后自己的实验中,为保证算法的性能不是与特定的随机
    状态值相关,在前后几次实验中,需使用不同的随机状态。
    现在我们从 pandas 数据框中抽取数据,以便用 scikit-learn 分类器处理。指定需要的列,
    使用数据框的 values 属性,就能获取到每支球队的上一场比赛结果。
    X_previouswins = dataset[["HomeLastWin", "VisitorLastWin"]].values
    跟第 2 章的近邻算法类似,决策树也是一种估计器,因此它同样有 fit predict 方法。我
    们仍然可以用 cross_val_score 方法来求得交叉检验的平均正确率:
    scores = cross_val_score(clf, X_previouswins, y_true, 
    scoring='accuracy') 
    print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))
    正确率为 56.1% ,比起随机预测来要更准确!我们应该可以做得更好。从数据集中构建有效
    特征( Feature Engineering ,特征工程)是数据挖掘的难点所在,好的特征直接关系到结果的正确
    —— 甚至比选择合适的算法更重要!

    九 NBA 比赛结果预测

    尝试使用不同的特征,我们应该能做得更好。cross_val_score方法可用来测试模型的正 确率。有了它,我们就可以尝试其他特征的分类效果。

    好多潜在特征都可以拿来用。就我们这个挖掘任务而言,具体怎么选择特征呢?我们尝试问
    自己以下两个问题。
    一般而言,什么样的球队水平更高?
    两支球队上一次相遇时,谁是赢家?
    我们还将加入新球队的数据,以检测算法是否能得到一个用来判断不同球队比赛情况的模型。

    组装起来

    对于上面第一个特征,我们创建一个叫作“主场队是否通常比对手 水平高 ”的特征,并使用
    2013 赛季的战绩作为特征取值来源。如果一支球队在 2013 赛季排名在对手前面,我们就认为它的
    水平更高。
    对于上面第一个特征,我们创建一个叫作“主场队是否通常比对手 水平高 ”的特征,并使用
    2013 赛季的战绩作为特征取值来源。如果一支球队在 2013 赛季排名在对手前面,我们就认为它的
    水平更高。
    战绩数据下载方法如下。
    (1) 在浏览器中打开 http://www.basketball-reference.com/leagues/NBA_2013_standings.html
    (2) 找到 Expanded Standings 部分,该部分包括所有球队的数据。
    (3) 点击 Export 链接。
    (4) 将数据保存到数据文件夹中。
    回到 IPython Notebook 笔记本文件,在新格子里输入以下代码。请注意将战绩文件保存到
    data_folder 变量指定的目录下。
    standings_filename = os.path.join(data_folder,
    "leagues_NBA_2013_standings_expanded-standings.csv")
    standings = pd.read_csv(standings_filename, skiprows=[0,1])

    在笔记本新格子里输入standings并运行,查看战绩。

    输出如下

     接下来,创建一个新特征,创建过程与上个特征类似。遍历每一行,查找主场队和客场队两支球队的战绩。代码如下:

    dataset["HomeTeamRanksHigher"] = 0 
    for index, row in dataset.iterrows(): 
     home_team = row["Home Team"] 
     visitor_team = row["Visitor Team"]
    有些球队 2014 赛季改名了,名字不同但其实还是同一支球队。类似情况在整合不同的数据
    集时经常遇到!所以在查找球队时,需要把它换成原来的名字,以确保正确找到该球队先前的
    排名。
    if home_team == "New Orleans Pelicans": 
     home_team = "New Orleans Hornets" 
     elif visitor_team == "New Orleans Pelicans": 
     visitor_team = "New Orleans Hornets"
    现在就能得到两支球队的排名,比较它们的排名,更新特征值。
    home_rank = standings[standings["Team"] == 
     home_team]["Rk"].values[0] 
     visitor_rank = standings[standings["Team"] == 
     visitor_team]["Rk"].values[0] 
     row["HomeTeamRanksHigher"] = int(home_rank > visitor_rank) 
     dataset.ix[index] = row
    接下来,用 cross_val_score 函数测试结果。首先,从数据集中抽取所需要的部分。
    X_homehigher = dataset[["HomeLastWin", "VisitorLastWin", 
     "HomeTeamRanksHigher"]].values
    然后,创建 DecisionTreeClassifier 分类器,进行交叉检验,求得正确率
    clf = DecisionTreeClassifier(random_state=14)
    scores = cross_val_score(clf, X_homehigher, y_true,
    scoring='accuracy')
    print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))

    现在的正确率是60.3%——比我们之前的结果要好。还能再提高吗?

    接下来,我们来统计两支球队上场比赛的情况,作为另一个特征。虽然球队排名有助于预测 (排名靠前的胜算更大),但有时排名靠后的球队反而能战胜排名靠前的。原因有很多。例如,排 名靠后的球队某些打法恰好能击中强者的软肋。该特征的创建方法与前一个特征类似,首先创建字典,保存上场比赛的获胜队伍,在数据框中建立新特征。代码如下:

    last_match_winner = defaultdict(int) 
    dataset["HomeTeamWonLast"] = 0
    然后,遍历每条数据,取到每场赛事的两支参赛队伍
    for index, row in dataset.iterrows(): 
     home_team = row["Home Team"]
    visitor_team = row["Visitor Team"]
    不用考虑哪支球队是 主场 作战,我们想看一下这两支球队在上一场比赛中到底谁是赢家。因
    此,按照英文字母表顺序对球队名字进行排序,确保两支球队无论主客场作战,都使用相同的键。
     teams = tuple(sorted([home_team, visitor_team]))
    通过查找字典,找到两支球队上次比赛的赢家。然后,更新数据框中这条数据。
    row["HomeTeamWonLast"] = 1 if last_match_winner[teams] == 
     row["Home Team"] else 0 
     dataset.ix[index] = row
    最后,更新 last_match_winner 字典,值为两支球队在当前场次比赛中的胜出者,两支球
    队再相逢时可将其作为参考。
    winner = row["Home Team"] if row["HomeWin"] else row 
     ["Visitor Team"] 
     last_match_winner[teams] = winner
    下面,用新抽取的两个特征创建数据集。观察不同特征组合的分类效果。代码如下:
    X_lastwinner = dataset[["HomeTeamRanksHigher", "HomeTeam 
     WonLast"]].values 
    clf = DecisionTreeClassifier(random_state=14) 
    scores = cross_val_score(clf, X_lastwinner, y_true, 
     scoring='accuracy') 
    print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))
    正确率为 60.6% 。结果越来越好了。
    最后我们来看一下,决策树在训练数据量很大的情况下,能否得到有效的分类模型。我们将
    会为决策树添加球队,以检测它是否能整合新增的信息。
    虽然决策树能够处理特征值为类别型的数据,但 scikit-learn 库所实现的决策树算法要求
    先对这类特征进行处理。用 LabelEncoder 转换器就能把字符串类型的球队名转化为整型。代码
    如下:
    from sklearn.preprocessing import LabelEncoder 
    encoding = LabelEncoder()

    将主场球队名称转化为整型:

    encoding.fit(dataset["Home Team"].values)
    接下来,抽取所有比赛的主客场球队的球队名(已转化为数值型)并将其组合(在 NumPy
    中叫作“ stacking ”,是向量组合的意思)起来,形成一个矩阵。代码如下:
    home_teams = encoding.transform(dataset["Home Team"].values) 
    visitor_teams = encoding.transform(dataset["Visitor Team"].values)
    X_teams = np.vstack([home_teams, visitor_teams]).T
    决策树可以用这些特征值进行训练,但 DecisionTreeClassifier 仍把它们当作连续型特
    征。例如,编号从 0 16 17 支球队,算法会认为球队 1 2 相似,而球队 4 10 不同。但其实这没
    意义,对于两支球队而言,它们要么是同一支球队,要么不同,没有中间状态!
    为了消除这种和实际情况不一致的现象,我们可以使用 OneHotEncoder 转换器把这些整数转
    换为二进制数字。每个特征用一个二进制数字 来表示。例如,LabelEncoder 为芝加哥公牛队分配
    的数值是 7 ,那么 OneHotEncoder 为它分配的二进制数字的第七位就是 1 ,其余队伍的第七位就是 0
    每个可能的特征值都这样处理,而数据集会变得很大。代码如下:
    from sklearn.preprocessing import OneHotEncoder 
    onehot = OneHotEncoder()
    在相同的数据集上进行预处理和训练操作,将结果保存起来备用。
    X_teams_expanded = onehot.fit_transform(X_teams).todense()
    接着,像之前那样在新数据集上调用决策树分类器。
    clf = DecisionTreeClassifier(random_state=14) 
    scores = cross_val_score(clf, X_teams_expanded, y_true, 
     scoring='accuracy') 
    print("Accuracy: {0:.1f}%".format(np.mean(scores) * 100))
    正确率为 60% ,比基准值要高,但是没有之前的效果好。原因可能在于特征数增加后,决策
    树处理不当。鉴于此,我们尝试修改算法,看看会不会起作用。数据挖掘有时就是不断尝试新算
    法、使用新特征这样一个过程。
    本文使用 scikit-learn 库的另一个分类器 DecisionTreeClassifier ,并介绍了如何用
    pandas 处理数据。我们分析了真实的 NBA 赛事的比赛结果数据,创建新特征用于分类,并在这个
    过程中发现即使是规整、干净的数据也可能存在一些小问题。

    我们是Greaterwms软件开发团队。

    项目介绍:
    我们的产品是开源仓储管理软件,荣获gitee最有价值开源项目奖,评选为GVP项目

    我们的产品支持多仓,波次发货,合并拣货,Milk-Run等业务模型。前后端分离为完全开源项目。

    软件著作权编号:2018SR517685
    GitHub地址:github
    Gitee地址:   gitee
    视频教程:    bilibili
    Demo地址:DEMO
    商务联系:mail@56yhz.com
    技术交流:GreaterWMS-01(加微信进群)
     

    展开全文
  • 钻石和水的悖论(diamond–water paradox),又称为价值悖论,在经济学中非常有名。其大意是:就人类生存来说,水比钻石重要得多;但在市场上,钻石却比水要贵得多。 钻石和水本来没有太大关系,但把它们拿来对比...

    钻石和水的悖论(diamond–water paradox),又称为价值悖论,在经济学中非常有名。其大意是:就人类生存来说,水比钻石重要得多;但在市场上,钻石却比水要贵得多。

    photo1_diamond_and_water.jpg

    钻石和水本来没有太大关系,但把它们拿来对比后竟成为经济学史上有名的悖论。

    这个悖论颇有点历史渊源。据说柏拉图,伽利略都讨论过它。特别是在亚当·斯密把这个悖论写进《国富论》后,它的名气大增。现在很多经济学的教科书都要拿这个悖论作为教学案例或习题来讨论一番。

    亚当·斯密在《国富论》中指出:“没什么东西比水更有用,能用它交换的货物却非常有限,很少的东西就可以换到水。相反,钻石没有什么用处,但可以用它换来大量的货品。”(笔者注:钻石虽属奢侈品,但还是有用的。斯密老先生关于钻石没用的陈述有点过头了。)

    在经济学的历史上,不同理论对这个悖论有不同的答案,这些答案从一个侧面反映了人类对商品价值本质的认识过程。

    一般效用价值论

    在商品经济还不很发达的年代,从直观感觉出发,一些经济学家主张效用价值论,即物品的效用在于满足人的欲望和需求,效用越高则价值越高,无效用则无价值。比如,小麦比草贵是因为小麦对人的效用比草高;面包比小麦贵是因为面包的效用更高,等等。

    亚当·斯密之前的这种效用价值论常被称为“一般”效用价值论,以区别后来的“边际”效用价值论。这个悖论就是针对一般效用价值论提出的。一般效用价值论认为,水对人的效用比钻石高得多,所以水就应该比钻石贵得多,这和市场上的实际情况正好相反。

    劳动价值论

    随着市场经济越来越发展,越来越多的学者花了越来越多的时间来研究到底是什么决定了一个商品的价值。

    古典经济学(约1750—1875)的开山鼻祖亚当·斯密主张,商品的价值来源于劳动。后来的大卫·李嘉图(David Ricardo)把它发展成相当完整的劳动价值论。更后来的卡爾·馬克思(Karl Marx)又在劳动价值论的基础上提出了剩余价值论,建立了马克思主义的经济理论的基础。

    劳动价值论的核心论点是商品的價值是由其所含社會必要勞動時間確定的。比如,小麦比草贵是因为小麦所含的社會必要勞動時間多;面包比小麦更贵是因为面包所含的社會必要勞動時間更多,等等。

    劳动价值论对钻石和水的悖论的解答主要有两点:
    第一,物品的价值有两重性:使用价值(对人的效用)和交换价值(市场的价格,或简称为价值),两者并无必然的联系。所以不能说钻石的使用价值比水低,它的交换价值就应该比水低。
    第二,钻石比水贵的原因是因为取得钻石所花的社會必要勞動時間比取得水要多得多。

    劳动价值论似乎解决了钻石和水的悖论,但经不起推敲。
    第一,把一个物品的交换价值和使用价值分割开,于理不通,因为劳动和交换的最终目都是为了人的使用和消费;而且,只强调劳动而忽略产品对人的效用在社会实践中会产生很大的偏差。大跃进年代的土法炼钢就是一例。全民土法炼钢中,投入了几千万的劳动力(有数字说多达九千万),消耗了大量的资源,如铁器、树木、焦炭等。从劳动价值论的观点来看,所炼出来的几百万吨的土钢应当价值非常高,但实际上因为质量太差并无人需要,全国约损失了约200亿元。这种现象在推崇劳动价值论的计划经济中曾经一而再、再而三的发生。劳动不但能创造价值,也能如此大规模地毁灭价值和财富,这是当初劳动价值论的先驱者们始所未料的。
    第二,一克拉钻石比一公升水所含的劳动量要多得多,这是事实。但为什么到了沙漠里,水反而比钻石贵了哪?难道沙漠里一公升水所含的劳动量就比一克拉钻石多了许多吗?劳动价值论者不喜欢讨论这类问题,认为这是个例外。归入这类例外的问题还有很多:比如古玩、名画等,它们特别昂贵,但它们既不含有特别大量的劳动,也没有很高的使用价值。有大量例外的理论并不会使人信服。

    边际效用价值论

    从19世纪末到20世纪初西方经济学界爆发了一场全面革命,被称为边际革命。这场革命使经济学从古典经济学强调的生产、供给和成本,转向现代经济学关注的消费、需求和效用。边际效用价值论开始取代了劳动价值论成为经济学界的主流。

    和亚当·斯密独创古典经济学相比,边际效用价值论更像是一个不同国家和学派的集体作品。公认的奠基者有三位:英国的杰文斯、法国的瓦尔拉斯和奥地利的门格尔。

    边际效用价值论的基础之一是边际效用递减法则(The law of diminishing marginal utility)。经济学教科书常用一个农民和五袋谷物的例子来介绍这个法则,大意如下:

    如果一个农民只有一袋谷物,他会用来做基本口粮以维生;如果有了第二袋谷物,他会吃得饱些好干活。以此类推,第三袋谷物用来饲养家禽;第四袋谷物用来酿酒;第五袋谷物用来喂鸽子娱乐。每袋谷物对这个农民的效用相差甚远,第一袋谷物攸关生命,依次递减,到了第五袋只是为了娱乐而已。反过来,如果由于某种原因,这个农民的谷物由五袋减为四袋后,他不会把每种用途都减少五分之一,而是会停止喂鸽子的娱乐。如果再由四袋减到三袋,他会停止酿酒,等等。

    在这个例子里,边际效用递减法是说,在超过一定消费量后(谷物超过一袋后),消費者從新增加的一單位消费品中得到的效用要比前一个单位为少(第二袋谷物比第一袋谷物效用少,第三袋又比第二袋更少等等。)

    a.jpg

    边际效用递减法则示意图。在图中,当谷物的总袋数超过1后,虽然总效用还在不断地增加,但增加的速率(边际效用)却在减少。

    日常生活中边际效用递减的现象处处可见。比如吃面条,第一碗最香,第二碗次之,还没轮到第五碗人已经已反胃了;谈对象时,前一两个印象最深,十个以后就没感觉了;到一个地方旅游,第一次印象最深,去多了就熟视无睹了;等等。

    又如金钱,一万块钱给富人可能只是用来买一件奢侈品,对生活质量并无多大改善,因为这一万块只是他的第一百个或第一千个一万块钱。但一万块钱对穷人很可能就是救命钱,因为这是他的第一个或第二个一万块钱。对一个百万富翁来说,金钱给他带来的总效用并不是他的第一个一万块钱的一百倍。对富人多征些税,对穷人少收些税,除了有社会公平方面的理由外,也有其经济学上的道理。

    美国《时代》周刊曾发表过一篇普林斯顿大学的研究报告。该报告调查了45万美国人,发现年收入在75,000美元以下的人,平均幸福度随着收入的增加而增加;但超过75,000美元以后,幸福度已经和收入的增加没有太大关系了,而是取决于个人的性格、健康、婚姻和家庭等等因素。这说明收入中的前几万块钱幸福效用很高,但超过拐点(75,000美元)后再多收入的几万块钱幸福效用就很小了。“钱不是万能的,可没钱却是万万不能的”还真有点经济学内涵。

    边际效用价值论对经济学的最大贡献之一是把对价值的静态分析变成了动态分析。仍以五袋谷物为例,以前的一般价值论认为每袋谷物对人的效用是一样的,所以价值也一样;劳动价值论认为每袋谷物所含的劳动量是一样的,所以价值也应该一样。边际效用递减法则观察到,随着消费量的增加每袋谷物对人的效用或价值是变化的:在超过一定阈值后,每袋谷物的效用是递减的。从动态观点出发,边际理论可以借用数学模型帮助人们找到投资的最佳策略,资源的最佳分配,等等;这是以前的经济理论难以办到的。

    再回到钻石和水的悖论。消费品的品种有千千万万。消费品光谱的一端是水、空气、阳光等等,它们既是生命中的必需品;在自然界又十分充裕。反过来说,如果地球上没有充裕的水、空气、和阳光就不会有人类。消费品光谱的另一端是钻石、黄金、和珍宝等奢侈品,它们是人们衣食无忧后为了美化生活、显示财富和社会地位才需要的;而且具有稀缺性。反过来说,不具有稀缺性的物品不能成为奢侈品。

    如下图所示,水的必需性使它的边际价值曲线的初始值极高;而水的充裕性使它在日常生活的环境中价格(边际价值)极低。钻石的非必需性使它的边际价值曲线的初始值比水低得多;而钻石的稀缺性则保证了它的曲线不会下降得很多。图中以一个狭小的钻石价值变化区间来代替它的边际价值曲线。在定性讨论中,这个简化不会影响结论,但会使讨论简化了许多。

    在下面的讨论中,边际效用、边际价值、和价格三个词会交替使用,因为消费者愿意支付的商品价格是以边际效用为标准的。

    b.jpg

    示意图,水的边际价值曲线和钻石价值的比较。

    边际效用价值论认为一公升水的价格并不是固定不变的,而是取决于它在边际效用曲线上的位置。在缺水的环境中(如沙漠地区),一个既无水又无钻石的人会化极高的价钱去买一公升水而不是一克拉钻石,因为这时水的边际效用是救命,而钻石则不能。在水源充裕的平常的生活环境下,多消耗一公升水对人的效用是微乎其微,顶多是某天给自己养的花多浇一点水而已,这和可以当作订婚戒指的一克拉钻石的效用相差甚远,所以这一公升水就比一克拉钻石便宜很多。

    悖论说“就人类生存来说,水比钻石重要得多;但在市场上,钻石却比水要贵得多。”前面那个“水”是指缺水环境下的水。而后面那个“水” 是指水充裕环境下的水。此“水”非彼“水”,悖论不能成立。

    边际效用价值论并不一定十全十美,但它毕竟把人类对商品价值的认识向前推进了一大步。

    一些联想

    从上面五袋谷物的插图中,喜欢数学的读者可能一眼就能看出,边际效用实际上是总效用对总消费的的一阶导数。用数学语言来说,边际效用递减法则是描述总效用对总消费一阶导数递减的现象,即总效用对总消费的二阶导数为负的现象。

    以前的经济学,包括劳动价值论,限于价值的静态,所以初等数学基本上就够用了。边际价值论着眼于价值的动态,就不可避免地大量使用微积分。这常使缺乏数学基础而又初学经济的学生有些找不着北。

    其实,微积分从它诞生的第一天起就和研究自然界的动态现象密不可分。微积分是由牛顿和莱布尼茨在17世纪分别独立创立的。牛顿创造微积分的很大动力是为了深入地理解开普勒三定律。早在牛顿出生的几十年前,天文学家开普勒就已经在前人观察的基础上,用几何语言把不同行星的运动轨道总结为开普勒三定律。在以后半个多世纪的时间内,很多天文学家、物理学家尝试了很多不同的方法来解释这三个定律,但无一成功。当牛顿初创微积分后,他便发现不同行星的运动轨道看似复杂,但它们对时间的二阶导数却符合一个很简单的规律,即和该行星的质量成正比,和它离太阳距离的平方成反比。(物体轨道对时间的一阶导数称为速度,二阶导数称为加速度。)后来这个发现就演化成为有名的万有引力定律,它不但成功地用一个简单的方程式解释了开普勒三定律,而且也解释了以前各种理论无法解释的其他天体的运动轨道。和很多数学计算一样,微积分有些抽象,却常常更深刻地反映了事物运动的本质。落在牛顿头上的那个金苹果其实就是微积分。

    微积分不仅是牛顿的金苹果,也是边际学派的金苹果。现在经济学界广泛的利用的边际分析就是建立在微积分的基础上的。

    对喜欢控制论的读者来说,边际效用递减法则是一个很好的例子来说明系统的稳定离不开负反馈。不难想象如果边际效用不是递减的而是递增的,那就意味着一个人,吃得饭越多,就吃得越香,直到撑死(系统崩溃)为止。

    最近,一位著名记者用“历史河套”一词很形象地描述了中国近几代的知识分子对中国历史走向的曲折认识。广义地说,人类对很多事物的认识并非如“大江东去”那样顺畅,而是像黄河那样拐了一个河套般的大弯。西方经济学的主流由一般效用价值论转到劳动价值论,然后又“转回”到边际效用价值论的曲折过程就一例。还应该看到,当绕过河套东出三门峡时,黄河已经不是进入河套前的那个黄河了,“黄水劈门千声雷,狂风万里走东海。”

    声明:苏南生 发表于 2019-05-16 21:11:00 ,共计4106字。

    转载请署名:边际效用价值论:从钻石和水的悖论谈起 | www.sunansheng.com

    展开全文
  • Python 技能,真免费学 Python
  • NFT如何更好地进行价值捕获

    千次阅读 2022-03-28 17:51:52
    今年NFT的火热如刀砍斧劈般趟开了在他们前面的障碍,蔚然成风。拍卖行每天都有拍出各种各样的作品,各种运动员、时尚歌手、品牌也都争相推出自己的NFT。每一天都有各大品牌抢先入局NFT的消息,路易威登、保时捷、...
  • 1 B 端产品经理 如何理解B端产品? B端产品主要分为两大类: 为公司的管理服务,如:HR系统、OA系统; 为公司的运营服务,如:供应链系统、ERP系统的。 B端产品即要符合商业组织的战略要求,能够满足商业用户...
  • 本书作者结合数年来从事互联网产品架构和设计工作的实践经验,加以融会贯通,概括并阐释了“以产品为中心”的互联网产品设计内在规律,以帮助产品设计师快速成长进阶。 全书分为3篇,共10章。第一篇包括前3章,...
  • 这是作者网络安全自学教程系列,主要是关于安全工具和实践操作的...这篇文章将详细讲解PowerShell、Powershell恶意代码检测总结及抽象语法(AST)提取。希望这篇文章对您有帮助,也推荐大家去阅读论文,且看且珍惜。
  • 预测模型-完整-教程

    千次阅读 2018-05-30 18:23:05
    基于的学习算法被认为是最好的方法之一,主要用于监测学习方法。基于的方法支持具有高精度、高稳定性和易用性解释的预测模型。不同于线性模型,它们映射非线性关系相当不错。他们善于解决手头的任何问题(分类或...
  • 《幕后产品》——笔记

    千次阅读 2022-01-23 20:53:52
    这是一本教导如何进阶产品负责人的书,其中的收获是产品技能的架构以及为何如此架构、每个技能点如何点亮。 摘取三个较为突出的观点: 1)产品负责人的边界是产品真正的边界,而一个产品发展的影响变量是如此之多...
  • 决策算法梳理(从原理到示例)

    千次阅读 2019-03-29 11:05:49
    举一个极端的例子,我们把某个产品的唯一标识符ID作为特征之一加入到数据集中,那么构建决策时,就会优先选择产品ID来作为划分特征,因为这样划分出来的数据,每个叶子节点只有一个样本,划分后的子数据集最“纯净...
  • 生鲜农产品供应链系统是一个复杂的社会经济系统,通过建立系统动力学反馈对策基模入仿真建模法对其进行研究.首先从生鲜农产品供应链系统的统计数据中分析找出系统运行中...
  • 思维模型 决策

    千次阅读 2020-05-04 15:35:34
    每个决策或事件(即自然状态)都可能引出两个或多个事件,导致不同的结果,把这种决策分支画成图形很像一棵的枝干,故称决策。决策就是将决策过程各个阶段之间的结构绘制成一张箭线图,我们可以用下图...
  • 编辑按:本文介绍了企业知识价值的意义,分析了知识管理对于实现企业知识价值最大化的...在工业经济时代,企业一般是通过降低产品和服务的成本,通过产品和服务的差异来实现企业的竞争优势。而在知识经济时代,企业最有
  • 《幕后产品》是前网易云音乐副总裁王诗沐老师结合自己多年的产品实战经验所著。记录了诗沐老师多年的产品心路历程,就像翻开云音乐的评论一样,或感同身受,或遐想翩翩,或豁然开朗。对于云音乐的用户研究,个性推荐...
  • 一、客户价值分析 从客户需求出发,了解客户需要什么,他们有怎么样的特征, 电信运营商为客户设置不同的优惠套餐 二、电信运营商进行客户价值分析的目的 争取更多的用户:推出不同的优惠套餐 降低客户...
  • 产品小白自从接触产品以来已经看过好几本产品书,俞军大神的产品方法论,苏杰的人人都是产品经理等等,也浏览过很多产品相关的文档。输入其实挺多的,但是感觉看了很多,能留在脑海里的真的少之又少,必须得输出一些...
  • matlab之产品大全

    千次阅读 多人点赞 2020-12-16 19:30:59
    此工具箱提供有监督和无监督的机器学习算法,包括支持向量机 (SVM)、提升决策和装袋决策、k 最近邻、k 均值、k 中心点、层次聚类、高斯混合模型以及隐马尔可夫模型。可以使用许多统计算法和机器学习算法来计算...
  • 本次文章将会介绍一篇基于决策模型的金融保险用户分类综合项目,我会从行业背景讲起,将整个项目包括代码全po上来,大家看目录就知道有多么详细啦。 注:本次 目录1 行业背景1.1 业务环境1.2 发展现状1.3 发展趋势...
  • 华为数据中心产品汇总介绍

    千次阅读 2022-01-03 18:17:20
    AR G3路由器产品定位 AR G3系列企业路由器是秉承华为在数据通信、无线、接入网、核心网领域的深厚积累,依托自主知识产权的VRP平台(通用路由平台,主要是以TCP/IP协议为核心,实现了数据链路层,网络层和应用层的...
  • AI产品经理成长路

    千次阅读 2018-08-31 16:54:13
    AI产品经理——成长路   https://www.cnblogs.com/DicksonJYL/p/9566740.html     以下都是自己平时知识的一些总结,只是一些个人的愚见,下面出现的公司、书籍、视频、网站都是自己看过体验过的,不是给...
  • 基于决策算法的银行营销预测

    千次阅读 2018-12-29 09:52:09
    删除意义不明的因子型属性的记录,使用分层抽样的方式选取测试集和训练集,然后代入C5.0算法建立模型,初次建模训练集的正确率为95.3%,在测试据的正确率为92.05%,生成的决策大小为15。对pdays和duration属性进行...
  • 产品经理——产品原型设计规范

    万次阅读 多人点赞 2018-08-29 14:35:42
    随着计算机辅助设计的应用,产品设计和生产能力得到极大提高,然而在产品设计、研发和生产前,快速获取产品设计的反馈信息,如何对产品用户价值、可行性、可用性和交互体验等快速地做出评估、论证和改进,这是软、...
  • 基于最小生成的实时立体匹配算法简介

    千次阅读 热门讨论 2016-05-29 13:30:11
    几乎所有的处理器厂商都为自己的处理器产品制作了多媒体扩展部件。图形处理器的并行计算需要额外的硬件投入,而且与内存交换数据需要耗费时间。多媒体扩展部件一般在处理器中以向量部件的形式出现,相应的指令集以...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 40,034
精华内容 16,013
关键字:

产品价值树