fundamental concepts：our fundamental concepts as the basis of many common data science techniques（我们的基本概念是许多常用数据科学技术的基础）；the importance of familiarity with the building blocks of data science（熟悉数据科学的组成部分的重要性）
exemplary techniques：association and co-occurrences （联合与共现）;behavior profiling（行为分析）；link prediction（链路预测）；data reduction（数据缩减）；latent information mining（潜在信息挖掘）；movie recommendation；Bias-variance decomposition of error（误差的偏差方差分解）；ensembles of models（模型集合）；causal reasoning from data（基于数据的因果推理）。
Co-occurrences and Association：Finding Items That Go together
measuring surprise：lift and leverage（提升和杠杆作用）
lift：关联关系发生的概率比随机概率大的数量，lift计算公式如下12-1：
另一个衡量共现性的方法叫leverage，是用两者的差值代替比值来实现公式化，如下12-2：
lift和leverage一个更适合共现概率高的情况，一个更适合概率低的情况，这里的可以考虑为后验概率，
可以看做先验概率，所以样本空间画图时只能表现先验概率，本人还不能画出
。
Example：Beer and Lottery Tickets（例如：啤酒和彩票）
and
,两个一起买的先验概率就是0.12，实际上两个一起买的出现频率是0.2，那么可以计算出
and
。
两者一起购买的support=0.2，strength=67%，（算法大概是0.4*1.67，就是独立概率乘以lift值）
Associations Among Facebook Likes（Facebook喜欢间的关联）
从用户对不同喜好的关联的参数（包括support、strength、lift、leverage）来统计这些独立的明星个体间的关联程度。
Profiling：Finding Typical Behavior（分析：查找典型行为）
关键词：
均值偏离：由于数据分布的长尾效应导致的均值偏差，此时可使用中位数替代；
log（logarithm）变式：可以对数据统一进行log转换后，将数据分布的形态进行转换，以使结论更显著；
高斯分布（Gaussian distribution）：一般指正态分布；
高斯混合模型（Gaussian Mixture Model）（GMM）：高斯模型就是用高斯概率密度函数（正态分布曲线）精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数（正态分布曲线）形成的模型。 对图像背景建立高斯模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相差比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。对于复杂的图像，尤其是医学图像，一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布的叠加，可以解决图像的分割问题。 在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。（摘自百度百科）
Link Prediction and Social Recommendation（链路预测与社会推荐）
讲了好友推荐的一些内容，over
Data Reduction，Latent Information，and Movie Recommendation（数据缩减、潜在信息和电影推荐）
图12-5 一个根据电影特征组成的而为分布图，观众也可以基于对视频的评分或浏览记录被放到这个平面当中。
这里讲了一些视频推荐的理论，比较表面，想要深入了解的可以参考《用户网络行为画像》（牛温佳）。
Bias，Variance，and Ensemble Methods（偏差、方差和集成方法）
Ensemble Methods就是把多个模型组合使用，多数情况下可以提高预测精度。
导致模型预测偏差的典型特征：
1. 内在随机性；2. 偏离；3. 方差。
Data-Driven Causal Explanation and a Viral Marketing Example（数据驱动的因果解释与病毒式营销案例）
有社会关系关联的人，会有类似的产品偏好。
summary
本章结束，summary里面没啥。
网友评论