墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.1w累计阅读
1.1w+平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
啤酒与尿布
在一家超市中，人们发现了一个特别有趣的现象：
尿布与啤酒这两种风马牛不相及的商品居然摆在一起。
但这一奇怪的举措居然使尿布和啤酒的稍量大幅增加了。
这可不是一个笑话，而是一直被商家所津津乐道的发生在美国沃尔玛连锁超市的真实案例。
原来，美国的妇女通常在家照顾孩子，所以她们经常会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。
这个发现为商家带来了大量的利润，但是如何从浩如烟海却又杂乱无章的数据中，发现啤酒和尿布销售之间的联系呢？
这一案例告诉我们，发现尿布和啤酒的相关性，从而把啤酒和尿布摆放到一起销售，就可达到增加商品销量的目的。
AI人工智能与数据分析的完美融合之道
在过去十年里，全球数据量以每年50%的速度增长（IDC数据），但“数据多，价值少”的矛盾日益突出——传统数据分析方法（如Excel报表、SQL查询）只能处理结构化数据，难以挖掘隐藏在非结构化数据（文本、图像、语音）中的深层规律。而AI（尤其是机器学习、深度学习）的出现，恰好补上了这一短板：它能从海量数据中自动学习模式，输出更精准的预测和决策。本文将聚焦“AI如何改造数据分析”和“数据分析如何反哺AI”两大主线，覆盖技术原理、实战案例和未来趋势。用“超市促销”的故事引出核心概念。
Apriori 和 FP-Growth
Apriori 和 FP-Growth
竞赛题目——啤酒和尿布.cpp
尿布和啤酒的故事 这是一个老故事, 但每次看总是能从中想到点什么.在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。原来，美国的妇女们经常会嘱咐她们的丈夫下班以后要为孩子买尿布。而丈夫在买完尿布之后又要顺手买回自己爱喝的啤酒，因此啤酒和尿布在一起购买的机会还是很多的。 是什么让沃尔玛发现了尿布和啤酒之间的关系呢？ 研究“啤酒与尿布”关联的方法就是购物篮分析，购物篮分析曾经是沃尔玛秘而不宣的独门武器，购物篮分析可以帮助我们在门店的销售过程中找到具有关联关系的商品，并以此获得销售收益的增长！ 商品相关性分析是购物篮分析中最重要的部分，购物篮分析英文名为market basket analysis(简称MBA，当然这可不是那个可以用来吓人的学位名称)。在数据分析行业，将购物篮的商品相关性分析称为“数据挖掘算法之王”，可见购物篮商品相关性算法吸引人的地方，这也正是乐此不疲的围绕着购物篮分析进行着研究和探索的根本原因。 下面每一行是一个购物小票，直到遇到五个零00000，输入序列终止，每个字母表示一种商品（字母区分大小写，即a 和A代表不同的产品），请分析哪两个种产品的销售相关性最高： 样例输入： AABZXY BMNY CD CBYPQ BWVCY 00000 输出(字幕顺序按ASC码升序排列)： BY
数据挖掘著名案例——啤酒与尿布
前言 “啤酒与尿布”的故事是营销届的神话，“啤酒”和“尿布”两个看上去没有关系的商品摆放在一起进行销售、并获得了很好的销售收益，这种现象就是卖场中商品之间的关联性，研究“啤酒与尿布”关联的方法就是购物篮分析，购物篮分析曾经是沃尔玛秘而不宣的独门武器，购物篮分析可以帮助我们在门店的销售过程中找到具有关联关系的商品，并以此获得销售收益的增长！ 商品相关性分析是购物篮分析中最重要的部分，购物篮分析英
SocraticLM: Exploring Socratic Personalized Teaching with Large Language Models
大型语言模型(LLM)被认为是推进智能教育的一项关键技术，因为它们展示了深入理解教学场景和为学生提供个性化指导的潜力。然而，当前个性化教学中基于LLM的应用主要遵循“问答”范式，学生被动地获得答案和解释。在本文中，我们提出了苏格拉底式教学模式(SocraticLM ),它实现了一种苏格拉底式的“发人深省”的教学范式，实现了真正的课堂教师的角色，让学生积极参与到真正掌握解决问题所需的思考过程中。
【人工智能AI】是什么？
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟延伸和扩展人的智能的理论方法技术及应用系统的一门新的技术科学。（百度百科）人工智能的基本原理：机器从「特定的」大量数据中总结规律，形成某些「特定的知识」，然后将这种「知识」应用到现实场景中去解决实际问题。在这个基本原理的基础上，有3个特征：1、人工智能本质上是一种工具2、人工智能技能只能解决特定的问题，而不是什么都能做3、人工智能属于归纳逻辑，可以告诉你是什么，但是不能告诉你为什么。
【数据挖掘】啤酒与尿布
数据挖掘基础
如何在iPhone上本地运行SmolVLM？5亿参数模型实战指南（附Swift代码）
本文详细介绍了如何在iPhone上本地部署和运行轻量高效的SmolVLM多模态模型。通过实战指南，分享了使用Swift和MLX框架进行环境配置、模型加载、内存优化以及实现实时图像分析与文本生成的完整流程，帮助开发者在移动端高效运行AI视觉语言模型。
关联算法①——《啤酒与尿布》购物篮分析
关联算法是通过支出度，置信度，提高度三个指标，寻找有相关性的商品或其它物品组合，最早是用在了沃尔玛超市的购物篮分析中。本篇文章梳理了购物篮分析的经典之作《啤机与尿布》的精华内容，希望能够对大家有所启发。 一、销售额影响因素 1、商品关联度 商品关联度分析不只是特定商品之间，其实是特定品类之间，客户有喜新厌旧的心理，不应该将关联商品定死在某个商品（马尔科夫转移矩阵：描述不同品种商品的变化规律） ；通...
电机控制::软件架构::微型软件架构
所谓软件架构就是软件分层：HAL库，嵌入式操作系统，中间件，应用层。大型项目可参考借鉴ROS/PX4/Apollo/FMT等无人机、机器人、无人驾驶等开源项目；电机控制大型为AUTOSAR架构，小型跑裸机参考 前后台系统 或 微型实时操作系统对模块管理的思想。基本原理还是参照大型项目的架构来的，只是大部分层与块都相对简单，也没有操作系统这一层。硬件架构了解不同芯片组合及其各自的特点。1.FPGA+；2.架构；3.TC387+AUTOSAR架构，车规级，汽车领域常用。
保姆级教程：用NX机电概念设计与RobotStudio实现ModbusTCP联合仿真（附完整代码）
本文提供了一份详细的NX机电概念设计与RobotStudio联合仿真实战教程。通过ModbusTCP协议构建数据桥梁，实现机械行为与机器人控制逻辑的双向实时同步。文章从环境搭建、信号配置、RAPID代码编写到联合调试，逐步拆解了实现数字孪生核心链路的关键步骤，并分享了常见问题排查方法，助力工程师在虚拟环境中提前验证产线协同。
[c++]巧用stl库->啤酒与尿布
[c++]<-巧用stl库-> 啤酒与尿布 前言 大家好，楼主计算机专业大学狗一枚。《啤酒与尿布》是专业课的一道课后习题，觉得我个人思路比较新颖，在此分享。能力一般，水平有限，写的不好请各位海涵，欢迎各位指点不足。 题目简介 尿布和啤酒的故事 这是一个老故事, 但每次看总是能从中想到点什么.在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿...
计算机网络期末复习提纲（全知识点总结）
计算机网络期末复习提纲全知识点总结第一章 概述1.基本概念- 链路，结点，协议和服务，实体和对等实体，各层PDU- C/S模式，B/S模式，P2P模式- LAN,WAN,MAN,PAN的划分- 网络性能参数：速率，带宽，吞吐量，时延，往返时间，信道利用率2.互联网的组成（边缘部分与核心部分的作用）3.电路交换与分组交换，数据报交换和虚电路交换的特点4.TCP/IP体系结构，数据的封装与解封装第二章 物理层1.信号编码：不归零编码，曼切斯特编码2.影响信号失真程度的因素3.传输介质：双绞线，同轴电缆，光纤（单
大数据应用之啤酒尿布
今日分享热词：数据挖掘 数据分析 数据挖掘 关于数据挖掘（Data mining）的概念定义，小编也是在网上爬了很久，弱水三千，咱就舀几瓢来喝： 1、首先是智库百科上的定义，从两个角度来说 技术角度：所谓的数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。什么个意思呢？现在数据库中有无数T/P/E...这么多的独立的数据，去通过挖掘来找出存在关系的数据或者说数据中的关系。问题来了，如何去找，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，利
【OpenFOAM】-olaFlow-算例4- irreg45degTank
不规则波浪模拟
Google Gemini 模型本地可视化
Google近期发布了Gemini模型，而且开放了Gemini Pro API，Gemini Pro 可免费使用！Gemini Pro支持全球180个国家的38种语言，目前接受文本、图片作为输入并生成文本作为输出。Gemini Pro的表现超越了其他同类模型，当前版本配备了 32K 文本上下文窗口，可免费使用，且其定价将十分有竞争力。Gemini Pro具备丰富的功能：函数调用、数据嵌入、语义检索、自定义知识嵌入以及聊天功能。
Python || 啤酒鱼与尿布
下面每一行是一个购物小票，直到遇到五个零00000，输入序列终止，每个字母表示一种商品（字母区分大小写，即a 和A代表不同的产品），请分析哪两个种产品的销售相关性最高：
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
商业数据分析中的“关联”与“相关”是一回事吗？
在商业数据分析领域中，严格意义上讲，“关联”与“相关”不是同一个概念
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
excel两个指标相关性分析_如何培养数据分析的思维？
工具的运用都大同小异，思维的不同决定个体的差异。这一小节我们来探索数据分析的思维模式，如何培养数据分析的思维？这里列出5个数据分析中常见的思维模式供大家学习参考。01结构化思维结构化的思维是很重要且应用最为广泛的一种思维模式，不仅应用于数据分析，几乎所有的行业都会用到。结构化思维其实是一种分类汇总的思想，就是将看起来复杂凌乱的内容以某种结构呈现出来。你可能每时每刻都在用到，只是没有刻意去...
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
【读书笔记】《深入浅出数据分析》第二章 检验你的理论
本章主要说明了两个问题： 1，相关性不等于因果关系 2，如何判断两种数据之间是相关性，还是因果关系？
数据分析之数据相关性分析
本文介绍相关性分析的方法和工具。从三个常用相关系数（pearson,spearman,kendall）的定义出发，说明相关性分析的原理和作用。
Python数据分析与应用：数据分析入门指南
数据分析是通过统计方法和算法工具对数据进行处理，从中提取有价值信息并形成结论的过程。发现问题：识别业务痛点（如销售下滑）。预测趋势：基于历史数据预测未来（如销量预测）。辅助决策：提供数据支撑，优化策略（如库存管理）。数据分析不仅是技术，更是一种通过数据驱动决策的思维方式。掌握Python工具链（如Anaconda、Jupyter Notebook）和核心库（如pandas、Matplotlib），你将能高效应对从数据清洗到模型部署的全流程挑战。
“啤酒与尿布”：零售业的购物篮分析与推荐系统--替代还是互为补充？
亚马逊是当今国际上最大的电商交易平台，为了更好地服务电商平台上的卖家（供应商与品牌方），亚马逊推出了“亚马逊品牌分析服务（Amazon Brand Analytics Service，简称ABA）“，该服务产品主要面向卖家，可以为卖家提供有价值的经营分析数据，帮助卖家更好的组织市场营销及商品组合策略，其中的购物篮分析（MBA：Market Basket AnAlysis）是ABA的重要分析工具。购物篮分析也是电商平台的后端重要分析工具，以亚马逊为例，购物篮分析是重要销售分析工具。
大数据的应用
由全样而非抽样进而引申出来的，因为相较于之前的抽样分析我们为什么要追求它的精确性就是因为抽样出现的误差在全部的个体中会被放大所以必须讲究精确，而全样分析的误差范围是确定的，所以不需要，反之因为庞大的数据需要计算其效率为中心。1、存储设备性价比提升（容量在提升价格在下降）导致个人数据越来越多，同样相较于企业也允许了进行数据的大批量存储，存储的便捷性导致更大批量的数据增加保存（图1）因为具有足够的空间进行对文件信息的存储，所以相较于大数据之前的时代，只能对庞大的数据进行抽样调查，而非如今的对数据“全样分析”。
经典购物篮分析--Apriori算法解析(一)
支持度计数（Sopport Conut）：在一个数据集合中的某个项集出现在几个购物篮中，支持度计数就是几，比如{苹果、牛奶}出现在购物篮1、购物篮2中，所以{苹果、牛奶}的支持度计数为2，在零售业中支持度计数是一个非常重要的指标，可以表示交易集合在限定交易数据中的总量（购物篮数量），以此提示关联关系的商业价值，比如有些购物篮的关联规则看上去很强，但是购物篮总数不多，商业价值也不会太高。以上面的购物篮为例，苹果与牛奶的提升度Lift（苹果->牛奶）=P(苹果/牛奶）/P（牛奶）=40%/60%=67%。
大数据时代 阅读kindle_大数据消费者画像 大数据时代对营销路径的重塑
根据维克托•迈尔-舍恩伯格与肯尼斯•库克业在《大数据时代》中的观点，大数据时代给人类思维带来的最重要的挑战之一便是：用相关关系而不是因果关系来理解这个世界，知道“是什么”比“为什么”更能有效的解决问题。过去，营销团队进行消费者洞察的主要目的是要找出消费者行为背后的原因，即为什么购买或不购买某个品牌的产品或服务，为什么喜欢或为什么不喜欢，消费者是基于怎样一种观念或态度来决策的，这样的因果推断会成为我...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1467
扫一扫
