Fugu-MT 論文翻訳(概要): Potential customer mining application of smart home products based on LightGBM PU learning and Spark ML algorithm practice

論文の概要: Potential customer mining application of smart home products based on LightGBM PU learning and Spark ML algorithm practice

arxiv url: http://arxiv.org/abs/2006.12191v1
Date: Mon, 22 Jun 2020 12:42:53 GMT
ステータス: 処理完了
システム内更新日: 2023-05-13 05:09:02.472102
Title: Potential customer mining application of smart home products based on LightGBM PU learning and Spark ML algorithm practice
Title（参考訳）: LightGBM PU学習とSpark MLアルゴリズムに基づくスマートホーム製品の潜在的顧客マイニング応用
Authors: Duan Zhihua, Wang JiaLin
Abstract要約: 本稿では,中国テレコム上海の企業内コンペティションにおけるビッグデータベースのインテリジェント製品の可能性について検討する。ビッグデータテーブルに基づく大量のデータ、機械学習とデータ分析技術の使用、LightGBM、PySpark機械学習アルゴリズム、Positive Unlabeled Learningアルゴリズムの利用。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper studies the case of big data-based intelligent product potential customer mining internal competition in China Telecom Shanghai Company. Huge amounts of data based on big data table, the use of machine Learning and data analysis technology, using the algorithm of LightGBM, PySpark machine Learning algorithms, Positive Unlabeled Learning algorithm, and predict whether customers buy whole house product, precision marketing into artificial intelligence for the customer, large data capacity, promote the development of intelligent products of the company.
Abstract（参考訳）: 本稿では,中国テレコム上海の企業内競争におけるビッグデータベースのインテリジェント製品の可能性について検討する。ビッグデータテーブルに基づく膨大な量のデータ、機械学習とデータ分析技術の使用、LightGBMのアルゴリズム、PySparkの機械学習アルゴリズム、Positive Unlabeled Learningアルゴリズムの使用、顧客が家ごとの製品を購入するかどうかの予測、顧客の人工知能への精密なマーケティング、膨大なデータ容量、企業のインテリジェントな製品の開発を促進する。

関連論文リスト

E-Commerce Product Recommendation System based on ML Algorithms [0.0]
このプロジェクトの目的は、eコマースプラットホームがユーザとコミュニケーションする方法を変えることだ。私たちは、最先端の機械学習技術を使用して、製品レコメンデーションをカスタマイズできるモデルを作成しました。
論文参考訳（メタデータ） (2024-07-15T01:30:49Z)
An explainable machine learning-based approach for analyzing customers' online data to identify the importance of product attributes [0.6437284704257459]
本稿では,製品開発におけるデザインの包括的意味を抽出するゲーム理論機械学習(ML)手法を提案する。提案手法をKaggleの実際のラップトップのデータセットに適用し,結果に基づいて設計上の意味を導出する。
論文参考訳（メタデータ） (2024-02-03T20:50:48Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly [62.473245910234304]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文参考訳（メタデータ） (2023-10-04T20:27:20Z)
Outsourcing Training without Uploading Data via Efficient Collaborative Open-Source Sampling [49.87637449243698]
従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
論文参考訳（メタデータ） (2022-10-23T00:12:18Z)
The MIT Supercloud Workload Classification Challenge [10.458111248130944]
本稿では,MIT Supercloudデータセットに基づくワークロード分類の課題について述べる。この課題の目標は、計算ワークロードの分析におけるアルゴリズムのイノベーションを促進することである。
論文参考訳（メタデータ） (2022-04-12T14:28:04Z)
Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文参考訳（メタデータ） (2020-12-25T07:08:50Z)
AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-08-29T14:57:53Z)
A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文参考訳（メタデータ） (2020-08-10T06:07:52Z)
Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification [0.0]
本稿では,6つのIoT関連データセットを用いた分類タスクにおいて,11の一般的な機械学習アルゴリズムとディープラーニングアルゴリズムの性能評価を行う。すべてのパフォーマンス指標を考慮すると、Random Forestsは他の機械学習モデルよりも優れており、ディープラーニングモデルのうち、ANNとCNNはより興味深い結果を得た。
論文参考訳（メタデータ） (2020-01-27T09:14:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。