企业如何把“想法”变成“算法”自动执行业务流程？

普兰数据智能——业务流程自动执行“企业大脑” 机器人系统整体方案提供商

企业营销生产管理过程受制于人员的专业水平、理念心态诸多你不能控制的因素，导致大量人员低效循环流程、管理成本高、效率低下、竞争力下降。

怎样把企业的“想法与决策”写成“算法与程序”自动启动流程执行？怎样构建“企业大脑”，实现“企业无人自动运转”，把简单重复确定的流程用机器代替，用专业人才实现高度不确定性的流程？渐进提高自动和半自动流程执行系统？普兰数据智能帮助您！构建“企业业务自动执行”“企业大脑”机器人系统。

在构建系统中我们需要用到学习模型，那么我们常见学习模型对比和选择有9类：

1、有监督还是无监督（Supervised VS Unsupervised）

2、线性还是非线性 （Linear VS Non-Linear）

3、有没有先验 （With VS Without Prior）

4、是不是非参模型 （Parametric VS Non-Parametric）

5、有没有集成学习 （Single VS Ensemble）

6、深浅学习 （Shallow VS Deep）

7、在不在线 （Online VS Offline）

8、大数据还是大计算 （Huge Quantity VS Heavy Computation）

9、并行，分布和异步 （Parallel VS Distributed VS Asynchronous）

有监督还是无监督 Supervised VS Unsupervised

这个对比很明显， 但是目前强化学习（reinforcement learning）的横空出世， 或许有一天这些都不对了。

线性还是非线性 Linear VS Non-Linear

如何把未知问题转化成已知问题， 如何把非线性转化成线性， 永远是很很需要的。

有没有先验 With VS Without Prior

对于先验到底有没有决定性作用， 贝叶斯派和非贝叶斯派还没有完全说服对方， 譬如深度学习的Hinton就说自己扬弃了先验（参考 攒说 Geoff Hinton ）。

是不是非参模型 Parametric VS Non-Parametric

人都是很贱的， 很难统一的， 有些人要傻傻的不知道背后搞什么的编辑器（Word），有些人要可以控制一切的编辑器（Latex）， 所以参不参看需求了， 或许跟视窗系统（Windows）横行一样， 非专业人士更喜欢非参吧。

有没有集成学习 Single VS Ensemble

引领一个10年的机器学习的突破，依然宝刀未老的集成学习，尤其对于表数据分析。

深浅学习 Shallow VS Deep

有个文章叫“THE NEURAL NETWORK ZOO” （http://www.asimovinstitute.org/neural-network-zoo/?_utm_source=1-2-2）， 去动物园看看，蚯蚓和蛇一样很重要， 但是蛇更吓人。

在不在线 Online VS Offline

分工越来越细， 在线学习的发展， 离不开 H. Brendan McMahan 博士在这个领域的坚持。

大数据还是大计算 Huge Quantity VS Heavy Computation

并行，分布和异步 Parallel VS Distributed VS Asynchronous

那么有了学习模型该如何去选择？

在这些模型认识的基础上， 然后就要思考如何选择了，做好一个选择， 需要对数据有认识（Data）， 但这还是不够的， 还需要对需求有把握（Quality of service， QoS）， 但这也是不够的， 还需要对应用人员的知识有掌握（Knowledge）。

如果所有问题都能很清晰的回答， 再回到前面模型的对比中进行选择， 或许会有所收获。

在“R语言和表数据分析”， 我们对常见的数据预处理流程给出一个大致的解决方案， 在这个基础上， 才能很好的谈数据质量data quality， 否则只是Garbage in garbage out 。

大概有70%到80%的时间都会花在数据预处理Data Preprocess上， 然后20%的时间要花在对数据结果的可视化和解释（visualization & interpretation）。 真正在机器学习模型的选择和应用上的时间可能也就10%左右。当然， 这里是指应用， 如果是原创模型肯定不一样了。

好的业务数据分析是要从业务本身需求出发，普兰数据智能把企业的“想法与决策”写成“算法与程序”自动启动流程执行，去构建“企业大脑”，实现“企业无人自动运转”，把简单重复确定的流程用机器代替，用专业人才实现高度不确定性的流程从而渐进提高自动和半自动流程执行系统。