强强联手的研发团队

与 HYN 国际公司达成合作，携手多所著名高校，联合研发以人工智能多层次教育为核心的技术产品。

机器学习
能解决很多实际问题

• 分类问题（Classification)

  抽象来看，分类问题就是构造一个分类器（Classifier），可以对数据样本的类别进行预测。分类器可以理解为一个函数：y=f(x)，其中x是自变量，y是因变量并且y的取值不是数值而是一个类别标签。当我们知道了x的取值之后，就可以根据f(x)来预测y的值。分类问题属于机器学习中的有监督学习。

• 聚类问题（Clustering）

  “物以类聚，人以群分”，这就是聚类，它的目的就是要把相似的数据聚在一起。例如通信运营商可以对手机用户的通话行为进行聚类，把喜欢上网的聚类一类，喜欢夜间打电话的聚为另外一类。你也可以对大量的文章进行聚类，把相似的文章聚为一类然后归到同一个文件夹中。聚类问题属于机器学习中的非监督学习。

• 回归问题（Regression）

  回归问题和分类问题非常像，它们都属于监督学习的范畴。分类问题要构建的是分类器（Classifier），而回归问题需要构建的就是一个回归器（Regressor）。回归器也是一个函数：y=f(x)，其中x是自变量，y是因变量，与分类问题不同的是，y的取值是数值而不是类别。当知道了x的值之后，就可以通过f(x)来预测y的值。

• 关联问题（Association Rule）

  关联问题最有名的案例就是啤酒和尿布的故事。关联规则算法可以从交易型数据中发现频繁关联出现的Item（商品），又称为购物篮分析和关联规则挖掘。关联规则挖掘属于非监督学习。

• 序列问题（Sequence）

  序列问题包括时间序列的预测，序列型关联规则（例如先看了速度与激情1，接下来看速度与激情2的可能性比较大）等。语言模型（哪些词经常可以搭配在一起）也属于序列问题。序列问题既可以是非监督学习的方法（类似关联规则算法），也可以转换为回归，分类等监督学习的问题。

• 异常检测问题（Outlier Detection）

  异常检测就是检测样本取值是否显著的偏离常规，从中发现有意义的孤立点和异常值。监督学习和非监督学习都可以应用于异常检测问题。

感谢以下人士，在我们成长道路上提供了无私帮助