問題1：到底產生了什麼價值？
價值在於1.提供給公司或者雇主更多的利潤2.提供給使用者更優秀更便捷的體驗3.拓寬了行業更多可能路徑
場景1：
如果在電商平台中入駐的商家想要賣出更多的東西就需要電商平台幫住通過push、簡訊甚至郵件的方式引流，提醒存在潛在購買可能的使用者「來來來這家店不錯」，通過這種方式的收費其實是空手套白狼，投入產出比巨高
方法轉化率
單均收入
隨機抽樣
1%2000
簡單的邏輯（瀏覽搜尋收藏）篩選
2-3%
2000-3000
協調推薦+交叉銷售
3%-5%
3000
監督學習
9%-10%
3000-5000
資料處理過，但是資料相對比例真實可信。
以上一次活動，以10000人去算，商家收入由1%*10000*2000增至10%*10000*4500，商家利潤按10%計算，平台抽成利潤的20%，那就是沒有任何物質成本（電費除外），商家額外盈利56000，平台額外盈利14000，這種事情誰不願意。
在平台中，可行的方面多如牛毛，現在廣告ctr，商家推薦，使用者聚寶盆，小區潛力，使用者消費能力，每一方面每一次都是錢，問這種事情，請幾個機器學習的員工，我想沒有人不願意，況且這種低端的，我們這種幾十塊錢的貨色都可以完成
價值就是，
提供給公司或者雇主更多的利潤，就是
高到不忍直視的
roi。
場景2：
如果在x程、飛x、x牛、同x上，想優化使用者的體驗，最直接的方式是什麼？
猜你想要，猜你想去，猜你還想去
北京飛往上海：
這裡有若干張機票，如果沒有任何邏輯，初始排序要麼按時間，要麼按**，總之按照程式設計師的想法去做排序呈現就行了
這裡，如果有運營同學，就會說，不行，我覺得這個老王每次都買**格的機票，我要給他每次把
**格的
機票放在上面；產品同學聽了說，這**可以，這個老王每次都晚上走，我要把晚上的機票放在上面...
其實這樣做都有道理，都有可行性。如何做出乙個更好的決策，或者說如何針對不同的使用者，呈現出更合適的呈現方式，就需要機器學習的幫助。
簡單的說，我們可以知道每個人真實的想法和意圖。
我們可以通過分析使用者的屬性判斷他是不是因為是商旅使用者才買**機票，這樣五一這種假期，我們就不用優先呈現**機票而應該優先呈現中等**同時9點附近的優質出行機票；我們也可以研究老王是不是每次出行時間，看看老王是不是因為周五上班晚上回家，所以才每次這樣選擇，下次老王周五在登陸的時候，優先推送周五回家票，還可以寫點」回家平安「軟文，這樣的使用者體驗，99.9%通過人力難以完成。
提供給使用者更優秀更便捷的體驗，賺了錢的同時還讓你的顧客願意為此買單，這也算是價值之一吧。
場景3：
14年以前，租車都是線下的實體的，老老實實的開門店的，交著水電費，交著房租，還要額外的人力開支，使用者上們取車各種不方便。
為什麼要做這麼累的事情？
有一部分，只是說有一部分原因是因為風控。如果使用者在網上可以下單，拿著車走了，誰來保障車輛的安全？一輛車少說也要10萬左右吧，這樣的風險當時沒有任何一家企業可以承受的起的。
說乙個資料，2‰，可能並不精確，但是又一定的借鑑性，這就是傳統開著門店的租車行業的車輛丟失率。
按某租車公司披露的日均訂單量5000單算，按70%的老使用者+30%的新使用者計算，每日存在5000*30%的車輛是首次出租，在按照2‰的丟車來算，每天存在的風險車輛是2輛左右，20w的潛在風險
日薪二十萬，不，日薪500塊，你就可以招乙個機器學習的員工，現在行業中滴滴出行也在做租車，從2023年7月至今，1輛車都沒有丟失，用的就是滴滴平台大量的出行資料資訊+第三方徵信資料，至於怎麼做，行業裡有很多很成熟的方法：打分卡模型，fico、ahp等等，任何一種，都可以讓原本很捉襟見肘的問題得到一定程度上的解決，而公司所付出的就是一些hc。
這些事情在沒有機器學習之前，可能是不敢，也可能是沒有能力，而現在成為可能。
問題二：出路在**？
11年我在讀大學，那時候，我讀的是數學系，很多人問我你讀數學系以後準備幹嘛？教書麼？
說實話，當時我也不知道我讀數學系的出路在**，一不想考研二不想當老師的我當時也很矛盾。但是，我挺相信這麼一句話：不是不行，只是還沒有到行的時候。
挺繞口的一句話，現在越來越多人來搞機器學習了，學計算機的，學經濟的，學生物的...，知乎上的問題也越來越多，我也回答過一些問題，之後越來越多，千篇一律，後來索性我就視而不見了。
出路在**？
對於那些，張口spark，閉口hadoop，一言不合就開始machine learning、deeping learning實則連梯度下降都不知道原理的人，沒有出路。
對於那些，看著《機器學習速成》、《七天讓你精通深度學習的》...的人，一樣沒有出路。
20年前，我們不知道什麼叫做機器學習，我們活的挺很開心。
其實，我不關心自己的出路在**，我只想做好當前的事情，盡力讓自己的所學去改變一點周遭的世界，一點就好。
機器學習 1 機器學習的入門
最近由於專案要求，從零開始自學機器學習，使用語言是python2.7。機器學習分類 監督學習，無監督學習，強化學習 監督學習 對事物未知表現的 包括分類問題和回歸問題。1 分類 指給乙個新的模式，根據訓練模型推斷它所對應的類別是多少，是一種定性輸出，也叫離散變數 2 回歸 指給乙個新的模式，根據訓練...
機器學習（1） 機器學習的分類
第二種分類方式 本文是imooc python3入門機器學習 的學習筆記，用於整理自己學習到的概念，用以備查。簡單說來，就是對於學習對於所要求的資料集，是否需要標註。常見的監督學習演算法有 常見的 非監督演算法及其用處見下 出於各種原因，資料集可能出現一部分資料集帶有標記，而另一部分則缺失標記。此時...
機器學習 初識機器學習
1.什麼是機器學習？對於機器學習到現在都還沒有統一的定義，但是，通過乙個例子和較權威的定義來理解機器學習，最後附上我個人對機器學習的理解 2.監督學習 1 監督學習基本思想 我們資料集中的每個樣本都有相應的 正確答案 即每個樣本都是真實值，再根據這些樣本作出 舉乙個房價預售的例子來說明 eg 下面圖...