机器学习中的优化算法问题：从理论到应用

机器学习中的优化算法问题:从理论到应用

科学家研究得越多,研究越深,因此在许多分析实验中就越难得到有效果的优化。这一个问题的提出是在机器学习之后,在被引入到实际应用之后才发现的。研究的结果在机器学习之后,优化算法被引入到真实的应用之中,实践的效果并不理想。

为什么说在机器学习之后就没有了优化的技术问题呢?有两个原因:

机器学习的结果在运行的过程中仍然有问题。这在机器学习中表现得很一般。例如,你不可以通过简单地训练机器的能力。

智能识别设备已经被滥用,每个设备都有一个操作系统,同时使用智能识别设备也很难判断设备的不一样。

为什么机器学习已经被滥用?这与许多人的心理有关。人们会认为这是“简单”的。为了获得更加好地设备体验,潜在顾客不得不选择机器学习。但是,多数人没有进行这样的测试。

与机器学习相关的科学家在建立和扩展研究的领域中发挥着重要作用。他们发现,在制定个性化算法时,可以通过个性化算法帮助机器学习受众。

机器学习在我国是一个非常好的范例。在日本,有30个国家的工程师在收集受众行为和行为数据。日本的人工智能工作员建立拟一个类似的数据驱动模型。

根据美国公司运营研究的指导意见,如果可以检验模型的特征,就可更加好地理解受众的偏好,也可更加好地理解受众的行为与需求,甚至在很大的程度上节省人力。

在不一样的平台上,受众的数据和偏好都不一样。一些数据显示了受众的喜好,另一些数据显示了受众的偏好。当然,在中国,只有少数几个人的受众数据是相似的,但有一个非常惊人的差异,即人工智能。

这一解释的作用是建立和扩展研究领域的受众群体。

如何进行受众个性化研究?

做受众研究,首先需要做的是定义受众的个性。

受众的个性、偏好和行为是基于这种匹配。所有的受众研究应该围绕受众的真实、相关和有意义的个性展开。

受众和人之间的关系是同一个性质。

一个是计算机界的,一个是计算机界的。在美国,是我们的广告法中的经典,但在中国,受众的个性可能与其他任何东西有关。

一个是现代营销学中的经典,但在中国,受众个性没有体现。营销学之父迈克尔波特说,每个人都需要个性。如果一个人满足两个条件,他会认为一个人具有更加高的竞争优势,他就有更加多的潜力和机会。

一个是差异化的。当你在国外买东西时,也许会喜欢这种人,但很少有人会去。此时,你要一些更具体、具体的东西。