weixin_41593193的博客

近年来，深度学习技术的快速发展，大大加速了人工智能在传统和互联网领域的商业化落地。现如今，人工智能的应用已如雨后春笋般渗透到我们衣食住行的方方面面。比如无人超市的面世、无人驾驶汽车的正式上路、智能手机刷脸识别模式、医疗图像技术等。与此同时，面对时间的碎片化、信息的同质化/海量化、用户选择项的增多和用户耐心的减退，如何满足用户需求、拓展用户需求、驱动业务增长、优化行业生态等，成了各个行业亟待解决的问题。因此，个性化推荐系统便应运而生了。

异常检测的场景很多，例如：硬件的故障检测、流量的异常点的检测等场景。针对时间序列类数据的异常检测算法也有很多，业界比较流行的比如普通的统计学习方法--3σ原则和箱线图识别数据离群点，它利用检测点偏移量来检测出异常。比如普通的回归方法，用曲线拟合方法来检测新的节点和拟合曲线的偏离程度，还有人将CNN 和 RNN 技术应用到异常点的检测，但笔者通过大量的实践经验发现以上做法要么识别效果较差【比如：统计学习方法、回归方法】，要么部署难度较大【比如：RNN、CNN等】。

数据结构和算法，相信是每个技术从业者都绕不过去的坎，每次技术面都逃不过的虐。但在实际工作中，很少会真正用到自己实现底层的数据结构和底层的算法实现。各类编程语言都已经进行了高级的封装，只需调用诸如sort/rank函数就可以实现排序算法，利用诸如array/arrayList等容器就可实现数组存储与引用，那为什么数据结构和算法还要学？面试中还会被大量提问呢？

数值计算是机器学习领域的三驾马车之一，另外两个是线性代数和概率论，这三门数学基础性学科既是入门数据挖掘行业的门槛也是机器学习从业人员技术能力提升的阶梯。之前的文章已经介绍了线性代数和概率论相关的内容，今天本数据分析狮就分享一下机器学习中用到的数值计算。再次声明，小狮分享的这三篇只是基础性的理论知识，期望对大家入门机器学习有帮助。