数据驱动!精细化运营!用机器学习做客户生命周期与价值预估!

六类数据科学家角色划分与实战协作指南 数据科学家并非单一职业,而是涵盖问题定义、数据工程、统计建模、AI研发、业务翻译和产品驱动等多元能力的技术角色集合。在人工智能(Artificial Intelligence)深度融入企业决策的今天,理解其底层能力分野,是构建高效数据团队、实现模型价值闭环的前提。从统计推断的严谨性到工具链的稳定性,从因果归因的深度到产品实验的敏捷性,不同角色共同支撑着数据驱动决策的完整链条。本文基于百场真实协作与项目复盘,系统梳理六类角色的核心能力、典型断层与协作信号,帮助技术管理者科学配置团队,助力业务方精准对接数据资源 阅读详情

💡 作者:韩信子@ShowMeAI
📘 机器学习实战系列:https://www.showmeai.tech/tutorials/41
📘 本文地址:https://www.showmeai.tech/article-detail/330
📢 声明:版权所有,转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容

现在的互联网平台都有着海量的客户,但客户和客户之间有很大的差异,了解客户的行为方式对于充分理解用户与优化服务增强业务至关重要。而借助机器学习,我们可以实现更精细化地运营,具体来说,我们可以预测客户价值,即在特定时间段内将为公司带来多少价值。

本篇内容中使用的 🏆scanner在线交易数据集,可以直接在 ShowMeAI的百度网盘中下载获取。

🏆 实战数据集下载(百度网盘):公众号『ShowMeAI研究中心』回复『实战』,或者点击 这里 获取本文 [26] 基于机器学习的客户价值预估 『scanner在线交易数据集』

⭐ ShowMeAI官方GitHub:https://github.com/ShowMeAI-Hub

本篇内容中我们的实现步骤包括:

  • 整合&处理数据
  • 基于递归 RFM 技术从数据构建有效特征
  • 基于数据建模与预估

💡 整合&处理数据

💦 数据说明

ShowMeAI本篇使用到的数据集,是通过零售店『扫描』商品条形码而获得的流水销售的详细数据。数据集覆盖一年时间,涵盖 22625 个顾客、5242 个商品、64682 次交易。数据字段说明如下:

字段含义
Date销售交易的日期
Customer_ID客户ID
Transaction_ID交易ID
SKU_Category_ID商品类别ID
SKU_ID商品ID
Quantity销售数量
Sales_Amount销售金额(单价乘以数量)

💦 数据读取 & 处理

本文数据处理部分涉及的工具库,大家可以参考ShowMeAI制作的工具库速查表和教程进行学习和快速使用。

📘数据科学工具库速查表 | Pandas 速查表

📘图解数据分析:从入门到精通系列教程

上述信息中最重要的3列是:客户ID、销售交易的日期、销售金额,当然大家也可以在后续建模中囊括更多的丰富信息(如商品类别等)。这里我们先读取数据并针对时间字段做一点格式转换。

import pandas as pd 

# 读取CSV格式交易数据 
df = pd.read_csv(data_path) # 数据路径 

# 日期型数据转换 
df.Date = pd.to_datetime(df.Date)
df.head(10) 

💡 RFM & 特征工程

关于机器学习特征工程,大家可以参考 ShowMeAI 整理的特征工程最全解读教程。

📘机器学习实战 | 机器学习特征工程最全解读

💦 RFM介绍

📘RFM 是一种量化客户价值的方法,英文全称为『Recency, Frequency and Monetary value』。RFM 模型的三个参数分别是 R(最近一次消费的时间间隔)、F(消费的频率)和 M(消费金额)。

RFM的使用方法是,将训练数据分成观察期 Observed 和未来期 Future。 如果我们要预测客户一年内会花费多少,就将未来期 Future的长度设置为一年。如下图所示:

基于观察期的数据特征建模,并预测未来期的情况,下述代码我们基于日期进行截断:

# 截断日期前的数据 
observed = df[df[date_col] < cut_off 

# 截断日期后的数据 
future = df [(df[date_col] > cut_off) & (df[date_col] < cut_off + pd.Timedelta(label_period_days, unit='D'))] 

下面我们来看看 RFM 的3要素,并通过代码进行实现:

💦 Recency / 时间间隔

它代表自最近一次交易以来的时间(小时/天/周)。 我们需要设置一个基准时间点来计算 Recency。 我们会计算客户在基准时间点后多少天进行了交易。

def customer_recency(data, cut_off, date_column, customer_id_column):
  # 截断前的数据
  recency = data[data[date_column] < cut_off].copy()
  recency[date_column] = pd.to_datetime(recency[date_column])
  # 按最新交易对客户进行分组
  recency = recency.groupby(customer_id_column)[date_column].max()
  return ((pd.to_datetime(cut_off) - recency).dt.days).reset_index().rename(
      columns={date_column : 'recency'}
  )

💦 Frequency / 频率

它代表客户进行交易的不同时间段的数量。 这将使我们能够跟踪客户进行了多少交易以及交易发生的时间。 我们还可以保留从截止日期开始计算这些指标的做法,因为以后会很方便。

def customer_frequency(data, cut_off, date_column, customer_id_column, value_column, freq='M'):
  # 截断前的数据
  frequency = data[data[date_column] < cut_off].copy()
  # 设置日期列为索引
  frequency.set_index(date_column, inplace=True)
  frequency.index = pd.DatetimeIndex(frequency.index)
  # 按客户键和不同时期对交易进行分组 
  # 并统计每个时期的交易 
  frequency = frequency.groupby([
      customer_id_column,
      pd.Grouper(freq=freq, level=date_column)
  ]).count()
  frequency[value_column] = 1 # 存储所有不同的交易 
  # 统计汇总所有交易
  return frequency.groupby(customer_id_column).sum().reset_index().rename(
      columns={value_column : 'frequency'}
  )

💦 Monetary value / 消费金额

它代表平均销售额。 在这里我们可以简单计算每个客户所有交易的平均销售额。 (当然,我们后续也会用到)

def customer_value(data, cut_off, date_column, customer_id_column, value_column):
  value = data[data[date_column] < cut_off]
  # 设置日期列为索引 
  value.set_index(date_column, inplace=True)
  value.index = pd.DatetimeIndex(value.index)
  # 获取每个客户的平均或总销售额 
  return value.groupby(customer_id_column)[value_column].mean().reset_index().rename(
      columns={value_column : 'value'}
  )

💦 附加信息

用户龄: 自第一次交易以来的时间。我们把每个客户首次交易以来的天数也加到信息中。

def customer_age(data, cut_off, date_column, customer_id_column):
  age = data[data[date_column] < cut_off]
  # 获取第一笔交易的日期 
  first_purchase = age.groupby(customer_id_column)[date_column].min().reset_index()
  # 获取截止到第一次交易之间的天数
  first_purchase['age'] = (cut_off - first_purchase[date_column]).dt.days
  return first_purchase[[customer_id_column, 'age']]

最后我们定义一个函数把 RFM 涉及到的信息囊括进去:

def customer_rfm(data, cut_off, date_column, customer_id_column, value_column, freq='M'): 
  cut_off = pd.to_datetime(cut_off) 
  
  # 计算 
  recency = customer_recency(data, cut_off, date_column, customer_id_column) 
  
  # 计算频率 
  frequency = customer_frequency(data, cut_off, date_column, customer_id_column, value_column, freq=freq) 
  
  # 计算平均值 
  value = customer_value(data, cut_off, date_column, customer_id_column, value_column) # 计算年龄 
  age = customer_age(data, cut_off, date_column, customer_id_column) 

  # 合并所有列 
  return recency.merge(frequency, on=customer_id_column).merge(on=customer_id_column).merge(age,on=customer_id_column) 

理想情况下,这可以捕获特定时间段内的信息,看起来像下面这样:

我们把每个客户未来期间花费的金额作为标签(即我们截断数据的后面一部分,即future)。

labels = future.groupby(id_col)[value_col].sum() 

💡 建模思路 & 实现

通过上面的方式我们就构建出了数据样本,但每个用户只有1个样本,如果我们希望有更多的数据样本,以及在样本中囊括不同的情况(例如时间段覆盖节假日和 618 和 11.11 等特殊促销活动),我们需要使用到『递归RFM』方法。

💦 递归 RFM

所谓的递归 RFM 相当于以滑动窗口的方式来把未来不同的时间段构建为 future 标签,如下图所示。假设数据从年初(最左侧)开始,我们选择一个频率(例如,一个月)遍历数据集构建未来 (f) 标签,也即下图的红色 f 块。

具体的实现代码如下:

def recursive_rfm(data, date_col, id_col, value_col, freq='M', start_length=30, label_period_days=30):
  dset_list = []

  # 获取数据集的起始时间
  start_date = data[date_col].min() + pd.Timedelta(start_length, unit="D")
  end_date = data[date_col].max() - pd.Timedelta(label_period_days, unit="D")
  # 获取时间段
  dates = pd.date_range(start=start_date, end=end_date, freq=freq)
  data[date_col] = pd.to_datetime(data[date_col])

  for cut_off in dates:
    # 切分
    observed = data[data[date_col] < cut_off]
    future = data[
        (data[date_col] > cut_off) &
        (data[date_col] < cut_off + pd.Timedelta(label_period_days, unit='D'))
    ]

    rfm_columns = [date_col, id_col, value_col]
    print(f"computing rfm features for {cut_off} to {future[date_col].max()}:")
    _observed = observed[rfm_columns]
    # 计算训练数据特征部分(即observed部分)
    rfm_features = customer_rfm(_observed, cut_off, date_col, id_col, value_col)
    # 计算标签(即future的总消费)
    labels = future.groupby(id_col)[value_col].sum()
    # 合并数据
    dset = rfm_features.merge(labels, on=id_col, how='outer').fillna(0) 
    dset_list.append(dset)
    # 完整数据
  full_dataset = pd.concat(dset_list, axis=0)
  res = full_dataset[full_dataset.recency != 0].dropna(axis=1, how='any')
  return res

rec_df = recursive_rfm(data_for_rfm, 'Date', 'Customer_ID', 'Sales_Amount')

接下来我们进行数据切分,以便更好地进行建模和评估,这里依旧把数据切分为 80% 用于训练,20% 用于测试。

from sklearn.model_selection import train_test_split
# 数据采样,如果大家本地计算资源少,可以设置百分比进行采样
rec_df = rec_df.sample(frac=1) 

# 确定特征与标签
X = rec_df[['recency', 'frequency', 'value', 'age']]
y = rec_df[['Sales_Amount']].values.reshape(-1)

# 数据集切分
test_size = 0.2
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test_size, random_state=42, shuffle=True)

💦 机器学习建模

关于机器学习建模部分,大家可以参考 ShowMeAI 的机器学习系列教程与模型评估基础知识文章。

📘图解机器学习算法:从入门到精通系列教程

📘图解机器学习 | 随机森林模型详解

📘图解机器学习算法(2) | 模型评估方法与准则

有很多机器学习模型都可以进行建模,在本例中我们使用最常用且效果良好的随机森林进行建模,因为是回归任务,我们直接使用 scikit-learn 中的随机森林回归器,代码如下。

from sklearn.ensemble import RandomForestRegressor 
# 在训练数据集上初始化和拟合模型 
rf = RandomForestRegressor().fit(X_train, y_train) 

拟合后,我们可以在数据框中查看我们对测试集的预测。

from sklearn.metrics import mean_squared_error

# 训练集:标准答案与预估值
predictions = pd.DataFrame()
predictions['true'] = y_train
predictions['preds'] = rf.predict(X_train)

# 测试集:标准答案与预估值
predictions_test = pd.DataFrame()
predictions_test['true'] = y_test
predictions_test['preds'] = rf.predict(X_test)

# 模型评估
train_rmse = mean_squared_error(predictions.true, predictions.preds)**0.5
test_rmse = mean_squared_error(predictions_test.true, predictions_test.preds)**0.5
print(f"Train RMSE: {train_rmse}, Test RMSE: {test_rmse}")

输出:

Train RMSE :10.608368028113563, Test RMSE :28.366171873961612 

这里我们使用的均方根误差 (RMSE) 作为评估准则,它计算的是训练数据和测试数据上『标准答案』和『预估值』的偏差平方和与样本数 N 比值的平方根。 即如下公式:

测试集上评估结果 RMSE 约为 28.4,这意味着我们对未见数据的预测值相差约 28.40 美元。 不过,我们发现,训练集上的 RMSE 明显低于测试集上的 RMSE,说明模型有一些过拟合了。 如果我们把训练集和测试集的每个样本预估值和真实值绘制出来,是如下的结果,也能看出差异:

机器学中的过拟合问题,可以通过对模型的调参进行优化,比如在随机森林模型中,可能是因为树深太深,叶子节点样本数设置较小等原因导致,大家可以通过调参方法(如网格搜索、随机搜索、贝叶斯优化)等进行优化。可以在 ShowMeAI的过往机器学习实战文章中找到调参模板:

人力资源流失场景机器学习建模与调优

基于Airbnb数据的民宿房价预测模型

参考资料

scikit-learn决策树实战:工业级可解释分类模型落地指南 决策树是一种兼具可解释性与工程落地能力的基础机器学习模型,其核心原理是通过递归分割构建if-else规则链,实现白盒化预测。在真实业务中,它不追求理论最优,而以参数可控、API稳定、结果可审计为技术价值,广泛应用于金融风控、电商退货预测、医疗分诊等需合规解释的场景。scikit-learn的DecisionTreeClassifier凭借统一接口、内置剪枝机制和文本/图形化解释工具(如export_text、plot_tree),成为90%高价值业务场景的首选实现。本文聚焦工业级落地,覆盖参数设计逻辑、防过 阅读详情

相关推荐

如何预测(计算)用户价值—BG/NBD模型

BG/NBD模型介绍: 设时间段T中的交易次数x,T的第一个交易的时间t0为起点,最后交易的时间为tx, 在时长为t的时间内的交易数的(总)期望值 在时长为t的时间内,交易数量为x的(总)概率 在时长为(T, T+ t]的时间中,一位顾客(x = x, t, T)的交易数的期待值 假设: 一个活跃顾客在长度为t的一段时间内的交易量服从交易率λ的泊松分布。 顾客中交易率λ的非均匀性和服从形状参数r,比例参数α的gamma分布。 每次交易后客户变得不活跃的概率为 p,客户退出点服从二...

afk110的博客 3848

游戏用户生命周期价值预测模型综述

从预测模型综述可以清晰看到游戏用户生命周期价值预测的模型演化历程,从非机器学习的传统模型,到机器学习模型和深度学习模型,再到最新最热门的Transformer模型,模型能处理的数据种类越来越多,能处理的数据量也越来越大,有很明显的由小到大,向大模型转变的趋势。最新的MDLUR模型能处理用户信息数据、用户行为序列数据和用户时间序列数据等各种数据,进而得到业内最好SOTA的技术指标,并能支持游戏行业中常见的用户生命周期价值预测和用户留存流失预测等各种预测任务。

游戏数据科学 5335

机器学习之案例:客户价值预测模型

机器学习之案例:客户价值预测模型

学习中 1669

机器学习中的两种主要思路:数据驱动与模型驱动

在机器学习的研究和应用中,如何从数据中提取有价值的信息并做出准确预测,是推动该领域发展的核心问题之一。在这个过程中,机器学习方法主要依赖于两种主要的思路:数据驱动与模型驱动。这两种思路在不同的应用场景中发挥着至关重要的作用,它们的核心差异在于如何利用数据和模型的关系来进行预测和决策。本文将深入探讨这两种思路的内涵和区别,并阐述它们在机器学习各个阶段中的应用。机器学习通常包括数据预处理、特征工程、模型选择、训练与评估等多个阶段。

weixin_42010722的博客 1万+

【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营01

这是运营的物理和逻辑对象。C4.11xx 传输资源:光纤、微波、卫星链路;频谱资源(Sub-6GHz, 毫米波)。C4.12xx 节点资源:核心路由器、交换机、基站(gNB)、数据中心服务器。C4.13xx 虚拟化资源:由NFV生成的虚拟网络功能(VNF)、容器、虚拟机和网络切片实例。这是实现智能、灵活运营的核心技术集。C4.21xx 软件定义与虚拟化:软件定义网络 (SDN):控制平面与数据平面分离,实现集中、可编程的网络控制。网络功能虚拟化 (NFV):将传统专用硬件设备的功能以软件形式运行在通用硬件上

weixin_49199313的博客 1506

【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营06

13 | 司法诉讼 | 原告律师 | 争取和解优势 | 证据披露的序贯博弈 | 策略性证据释放 | 持有证据集E = {强证据e_s, 中证据e_m, 弱证据e_w}。设公众原有认知人格向量为 Pold​​=(p1​,p2​,...,pk​), 其中p_i为负面特质(如“不敬业”)。危机后, 通过行为序列 {At​}和宣传, 将公众认知向新向量 Pnew​​引导, 使得在关键维度上, Pnew​​与 Pold​​的余弦相似度降低, 并与一个正面的、可接受的“原型”(如“浪子回头”、“慈父”)对齐。

weixin_49199313的博客 1489

数据驱动:实践常见的机器学习算法

1.背景介绍 机器学习(Machine Learning)是人工智能(Artificial Intelligence)的一个子领域,它涉及到计算机程序自动学习和改进其自身的能力。机器学习的主要目标是使计算机能够从数据中学习出模式,从而能够进行预测或作出决策。 数据驱动(Data-driven)是机器学习的核心理念之一,它强调通过大量数据来训练和验证机器学习模型。数据驱动的方法使得机器学习模型能...

AI天才研究院 3626

【信息科学与工程学】【数据中心】 第三篇 智算中心全业务场景矩阵

技术:MPI/OpenMP优化、InfiniBand/RoCE网络、Lustre/GPFS并行文件系统。技术:NVLink/NVSwitch高速互联、RDMA网络、检查点存储、混合精度训练。技术:Kubernetes运营商、服务网格、Serverless框架。技术:VXLAN/EVPN、SRv6、智能网卡、DPDK/智能网卡。运营:AI框架优化、显存优化、容错训练、多租户GPU隔离。技术:KVM/ESXi虚拟化、SR-IOV、智能网卡、快速发放。

weixin_49199313的博客 1075

机器学习与数据驱动:如何构建智能系统

1.背景介绍 机器学习(Machine Learning)是一种人工智能(Artificial Intelligence)的子领域,它涉及到计算机程序自动化地学习和改进其行为方式。机器学习的目标是使计算机能够从数据中自主地学习、理解和预测,而无需人工指导。这种技术广泛应用于各个领域,包括图像识别、自然语言处理、推荐系统、金融风险控制等。 数据驱动(Data-driven)是一种基于数据的决策方...

AI天才研究院 1794

【信息科学与工程学】【数据中心】第二十四篇 数据中心DaaS场景及算法

Flink, Kafka Streams, 时序数据库。Flink, Kafka Streams, 流处理引擎。Presto, ClickHouse, 查询加速引擎。Presto, ClickHouse, 查询加速引擎。延迟<50ms,可用性>99.99%,QPS>10K。REST API, GraphQL, API网关。Tableau, Power BI, 自助BI。Tableau, Power BI, 可视化库。Spark, Hadoop, 分布式计算框架。Spark, Hadoop, 分布式计算。

weixin_49199313的博客 1089

【信息科学与工程学】【数据中心】 第十五篇 智算中心DaaS数据消费场景02

智算中心DaaS数据共享场景的分级分类是一个复杂的系统工程,需要从技术、安全、合规、治理、运营等多个维度进行综合考虑。本分级分类体系为不同场景下的数据共享提供了详细的指导,包括安全分级、共享模式、技术架构、合规治理等方面。在实施数据共享平台时,应结合自身业务需求、技术能力和资源情况,选择适合的共享模式和实施路径。同时,要高度重视数据安全和隐私保护,采用先进的技术和管理手段,确保数据共享的安全可控。

weixin_49199313的博客 1万+

电子商务行业中的大数据应用案例

(1)随着互联网技术的飞速发展,电子商务行业已经成为我国经济的重要组成部分。大数据技术作为新时代信息技术的重要组成部分,为电子商务行业带来了前所未有的变革。据相关数据显示,我国电子商务市场规模逐年扩大, 2020年交易额达到11.7万亿元,同比增长10.9%。大数据在电子商务中的应用主要体现在用户行为分析、个性化推荐、库存管理、风险控制等多个方面。(2)在用户行为分析方面,大数据技术通过对用户浏览、搜索、购买等行为的深度挖掘,为企业提供精准的用户画像,助力企业实现精准营销。

从事移动开发八年,csdn博客专家,阿里云特邀专家,华为云云享专家,高级网络信息安全工程师,大数据工程师(高级),python技术开发(高级),HarmonyOS 应用开发者高级认证,现在某学校任教。 603

【信息科学与工程学】【通信工程】【企业网、园区网、数据中心、广域网】各类业务网络及其网络演算算法

企业网络是一个复杂的系统,其业务、人员、流量和安全特征相互交织。下面这张表格梳理了这些核心特征及其关联的数学模型,帮你先建立整体概念。特征维度核心特征关联数学模型/方法业务特征​多样性、服务等级协议、混合云趋势图论(拓扑优化)、排队论(M/M/1)、随机过程(业务到达)、优化理论(资源调度)人员特征​角色权限差异、访问行为随机性、安全意识差异概率统计(行为建模)、随机过程(会话生成)、博弈论(安全策略)、访问控制矩阵流量特征​混合性、突发性、时空规律性、方向性(南北/东西向)泊松过程(短时突发)、重尾分布(

weixin_49199313的博客 892

星巴克Capstone项目:零售业CLV建模与精准营销实战

客户生命周期价值(CLV)是零售数字化运营的核心指标,其建模本质是将用户行为数据转化为可行动的商业决策。基于RFM分层与逻辑回归等轻量级但高解释性的技术路径,CLV模型能有效支撑个性化优惠券发放、沉默用户唤醒与门店效能诊断等关键场景。相比复杂深度学习方案,该方法兼顾计算效率、业务可理解性与工程可维护性,特别适合中小品牌在有限IT资源下快速落地精细化运营。本文以星巴克Capstone项目为蓝本,详解从真实交易日志、会员属性到地理围栏与外部天气数据的端到端整合逻辑,并聚焦CLV建模与优惠券ROI优化两大热词,提

weixin_30786657的博客 985

【信息科学与工程学】【产品体系】第十二篇 制造业生产加工05 控制算法 ——飞行(1)

航空航天控制的高级主题,包括先进飞行控制、航天器高级控制、无人机集群、航空发动机控制和飞行管理。

weixin_49199313的博客 1912

【信息科学与工程学】【数据科学】 第四十四篇 数据湖 系列二 函数库01

2. 近似最近邻搜索(ANN): 通过HNSW等图索引模型加速,模型定义为构建一个层次化导航小世界图。依赖于消息队列(Kafka/Pulsar)、分布式文件系统(HDFS/S3)的客户端及连接库。依赖专门的向量检索库(如FAISS, Milvus)。管控目标: 召回率(Recall@K) > 95%,查询延迟 < 100ms。管控目标: < 1% (核心业务字段) 或 < 5% (一般字段)依赖数据处理框架(如Spark, Pandas)的核心统计函数。,通过牺牲精确性(ANN)来换取搜索速度的大幅提升。

weixin_49199313的博客 347

数据是AI的土壤,如何耕种和管理非常重要 | 算法干货

今天,你AI了没?关注:决策智能与机器学习,学点AI干货编者按:算法模型是AI科技成长的核心驱动力,数据是算法模型成长的基础土壤,但对数据的管理和耕种非常关键,本文作者长...

九三智能控 376

PCIe信号眼图总是不开?手把手教你调CTLE和DFE参数(附实测波形对比)

本文详细解析了PCIe信号眼图调试中CTLE和DFE参数的优化方法,帮助硬件工程师解决眼图无法张开的问题。通过实际案例和步骤指导,介绍了如何调整CTLE直流增益和DFE抽头系数,提升接收端均衡器性能,确保信号完整性。

weixin_26805597的博客 221

从人肉评测到智能评测:得物自动化评测平台架构与工程实践

在推荐系统领域,A/B测试是评估算法效果的核心方法,它通过科学的分流实验对比不同策略的表现。其原理在于随机分配用户流量,控制单一变量,从而准确归因策略变化带来的影响。这项技术的价值在于将算法迭代从主观经验驱动转变为数据驱动,显著提升决策效率和准确性。在电商、内容社区等场景中,A/B测试帮助团队量化用户体验,平衡探索与利用,优化点击率、转化率等关键指标。本文以得物自动化评测平台为例,深入剖析其如何构建分层架构与混合计算体系,解决数据一致性、实验科学性等工程挑战,最终实现推荐系统体验的持续数字化突破。

weixin_30240349的博客 424

飞浆PaddleX实战:从数据标注到模型训练的全流程保姆级教程(附VisualDL可视化技巧)

本文提供飞浆PaddleX从数据标注到模型训练的全流程实战教程。详细介绍了环境部署、数据集准备、模型选择与训练,并重点讲解了如何利用VisualDL可视化工具进行训练过程监控与超参数调优,帮助初学者快速上手AI模型开发。

devops8pract的博客 278

TwinCAT3 Modbus-TCP Client/Server使用

/起始地址是12289//起始地址是12294。

panjinliang066333的博客 7736
上一篇: 求职清单!AI商业落地企业Top100;『数据科学:理论、模型、算法与分析』电子书;超快多线程DataFrame 8K★;前沿论文 | ShowMeAI资讯日报
下一篇: React Design Editor 图像/视频在线编辑器;2022阿里天池冠军方案[1/1149];计算机优秀课程大集锦;贝叶斯统计课程资料;前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值