常用的数据分析方法 可选的技术比比皆是：据网站显示，目前 VCs 给多达 885 家 AI 公司投资了将近90 亿美元。而且这还并不包括大量已成立的供应商和创业型公司。信息如此之多，足以使你晕头转向，分析能力瘫痪。下面是我分享给大家的机器学习方法的资料，希望大家喜爱! 机器学习方法一、从心开始 在先前的 Thinking Big Data? Think Bold Questions Instead 一文中我指出，在大数据时代，我鼓舞人们从一个问题开始学习而不是从一个工具开始。这个道理同样适用于 AI/机器学习领域。在我们如今生活的年代，让人兴奋的是我们可以提出真正无所畏惧的问题。因为我们已经不再受到硬件或软件的限制。 首先花时间彻底弄清楚你正在解决的问题的类型。使用“五个为什么”(问为什么?五次)的方法来追朔问题的根源。根据我的经验，我发现了一些常规形式： Top Line(收入)：哪一个是我们最好/最有利可图的产品、客户、期望等，实行什么行动可以猎取最大利益?这是一个扩展的经典市场细分和商业智能报告。使用大数据和人工智能领域的新工具，我们可以分析海量的数据和组，或者做出高精度和细微差别的预测。 Bottom Line (成本代价):在我们的操作过程中，效率低下的地方有哪些，如何优化才能降低成本?这也是一个扩展的传统报表技术。 消费者经验：促使消费者最佳/积极消费经历的因素是什么，要怎么做才可以提升它?除了上面提到的方法和工具，推举引擎(类似于 Amazon 和 Netflix)在这个领域里也扮演了重要的角色。面对客服服务的自动助手也成为可能。 知识发现/决策支持：我们从已知的信息中能够挖掘到什么新知识，并且应该如何使用它来做出决策呢?这是我个人最喜爱的一个方向，我职业生涯的大部分时间都在做这个。决策支持工具已经出现了一段时间，但技术的进步持续地提高了计算机的处理分析能力，让我们从处理分析能力的限制里解脱出来，不用担心处理能力的不足，从而专注发现。 智能机器/软件：其他领域都集中于使企业或消费者变得更好，然而这一领域专注于制造智能机器来处理世界上特定的问题：从导航真实世界到数据的实时分析和反应。机会仍然存在，即使你不是一个核心软体开发公司。假如你在这个领域有商业理念，你可以永远与那些能给你的生活带来愿景的人合作。 假如这些问题带领你去寻找一个非技术性解决方案，那么请不要惊讶。有时候，最好的解决方案并不是实现一个软件，而是从人以及处理方法上做改进。 比如，我曾被带去...
