自然语言处理的现代做法分享.pptx

揭开机器学习的面纱;;统计学：在随机中寻找规律性;把统计学推向日本的男神：戴明;日本+统计学+4年 美国本土制造业+数十年;;;连供应商评比使用统计学：损失函数;生产管理：管理者必须认清“变异”，也就是“随机性”;理解“变异”—统计学知识的企业应用 ;成本变异，是特殊原因造成，还是一般原因造成？;如果你还不理解变异（随机性），那我们做个练习吧;仔细想想，迟到的原因还真不少呀！;从起床到上班地点，原来会有这么多的“随机性”！;只要做一个简单的统计，迟到的原因就找到了……;统计：在“随机性”中找到“规律”;那么，你能找到迟到的“规律”吗？;;中国人口这么多，要一个一个的了解消费者吗？;所以，【统计学科】诞生了！！;现在，统计学直接带来了经济价值;市场调查的经典案例：代号“堪萨斯工程”;故事是这样的：;可口可乐的反击;可口可乐惨败; ;;;;锐普PPT论坛chinakui首发：;做个小测试 一所学校里面有 60% 的男生，40% 的女生。男生总是穿长裤，女生则一半穿长裤一半穿裙子。 问题1 ：随机选取一个学生，他（她）穿长裤的概率和穿裙子的概率是多大？ 问题2：假设你走在校园中，迎面走来一个穿长裤的学生（很不幸的是你高度近似，你只看得见他（她）穿的是否长裤，而无法确定他（她）的性别），你能够推断出他（她）是男生的概率是多大吗？;锐普PPT论坛chinakui首发：; ; ; 可可脂护肤液 + 大的手提袋 + 锌、镁营养补充剂;贝叶斯公式的深入理解; ; ;;自然语言处理：词向量 典型方法：离散符号（字符串） 该 课程 很 枯燥 ， 大家 觉得 很 无聊 。 w0=该 w1=课程 w2=很 w3=枯燥 w4=， w5=大家 w6=觉得 w7=很 w8=无聊 w9=。 ?等价表示方法：one-hot表示法 ;问题来了……;词语-如果能用实数向量表示…… ;词向量的由来;自然语言处理常用的几种网络;前馈神经网络;循环神经网络;递归自编码器;递归神经网络;卷积神经网络;词向量表示;前馈神经网络;前馈神经网络;词向量分布 ;再回到贝叶斯：贝叶斯网络;贝叶斯网络特点;当我们发现自己数学细胞不足时;如何让计算机识别以下数字;每一张图片包含28像素X28像素;我们把这个数组展开成一个向量，长度是 28x28 = 784;14行代码-深度学习后预测准确率 99.2%;机器学习来的如此之快，如此容易，;还是从真正研究“未来”的学者那里，寻找线索吧……;互联网的“未来”有什么，与企业有怎么样的联系……;什么东西是“无法复制”呢……;具体来说……;空调 的未来是什么？;当我们聚精会神的欣赏《冰与火之歌》的时候，室内的温度忽然变的很冷，就像我们处于冰原之上……;当我们看着恐怖片时，一股冷风在特定的时刻吹来了……;汽车 未来是什么？;我离开办公室，走向我的汽车。在车里，我还能继续刚才被打断的故事。我的汽车将办公室的资料报告同步打开，并在我开车的时候高声朗读出来。我们在路上经过沿途建筑的时候，这些建筑物认知我的车，于是播放只针对我的广告。我的车还会根据目的地，告诉我哪条路是最不拥堵的最佳路线，并提前预约好了目标餐厅的座位，以及停车位……;网购 如何更懂TA？;智能算法，会给消费者最懂TA的推荐……;智能推荐算法;标签体系的建立;当“大数据”遇到了“场景” 那会发生什么？;假设，我们有这样一套“场景库系统”;因为场景不同，消费者的心理期望是不同的……;场景库矩阵表：相同场景在不同消费年龄层上的研究侧重……;场景矩阵表：让企业资源投放的更智慧;“场景研究”的产出是什么呢？;场景研究的“六要素”;“场景研究”模型：与品类直接关联……;让我们近距离看一下【产品摆放场景】;每一个场景都是有温度的……;适合该场景的产品一定是有原因的……;即使最简洁的场景，也有背后的故事……;仅仅是看产品摆设场景是不够的……;猜一下，在洗浴场景，有哪些步骤呢？;;步骤繁多，不仅仅是女士消费者……;步骤繁多，不仅仅是女士消费者……;步骤虽然多，但都一样重要吗？;通过洗浴过程（行为）区分消费者类型，而非年龄、性别……;不同类型洗浴使用者的画像：;研发创意库：场景为产品研发带来的创意点~【热水器】;;营销创意库：场景为营销带来的新意~亲情的回忆;营销创意库：场景为营销带来的新意~学生时代的印记;营销创意库：特别的习惯、偏好;营销创意库：双份，总是特别的好……;营销创意库：创意关键词;挽救宝洁的男神：他把创新做成了家常便饭……;将“创新”变为企业流程的八个环节…… 创新的基础，来自“消费者”;从哪些角度了解用户呢？;谢谢！