в awk тоже поля с 1 нумеруются

это, как бы, не повод забить хрен на хороший в целом язык

Это как бы шутеечка

это, как бы, не повод забить хрен на хороший в целом язык

так и до js/php докатиться недолго

блин

не дают форвардить

годный наброс на производительность

А что пользователь просматривал, какие комментарии оставлял, какие рейтинги ставил каждому товару?

Напиши Бангалору в твитор

Это кто?)

Толстый троль, эксперт по всему, сотрудник букинга

Автор копипасты выше

Автор копипасты выше

А что вы думаете про копипасту выше?

"big data" — хайп и не всегда нужно? да ну, не может быть

Нужно замерять, а не вкорячить все баззворды

Если юпитер позволяет быстро модель проверить

особенно кафку на 100 человек в день

То это важнее чем пол года теребить спарк

Суть копипасты в том, то надо не в данных ковырятся, а решать _практическую бизнес-задачу_

Мудрость древних

Забытая

Если ваша работа такой задачи не решает, вы либо R&D делаете, либо просто проедаете бабло работодателя

Многие в IT это забывают

А делать R&D тоже нужно для решения задачи.

ну все так, больше того, 90% "практических бизнес задач" на ура (с приемлемой точностью) решаются примитивами типа скользящего среднего, кминс или наибайеса

Ну или амазоновский ml

ну все так, больше того, 90% "практических бизнес задач" на ура (с приемлемой точностью) решаются примитивами типа скользящего среднего, кминс или наибайеса

Почему наебался?

Где логистическая регрессия

Почему наебался?

наивный байес, я так его люблю сокращать

И мышевозюкательный интерфейс

Я даже для интереса воспроизводил результаты

Где логистическая регрессия

слишком сложно, ты что

Плюс минус

Пора встраивать BTC в TF и рубить бабло на консультациях

Нет, выходить на ICO

Суть копипасты в том, то надо не в данных ковырятся, а решать _практическую бизнес-задачу_

В конкретном примере с Delivery Hero, не окажется ли, что модель, которая игнорирует 90% процентов данных (на 100 к покупок в день придется где-то 10 M просмотров товаров в день, как минимум), будет в разы хуже той, которую можно было бы построить, учитывая все данные?

Итеративно нужно подходить

Ну сначала на куске данных делаешь, отрабатываешь зарплату, потом делаешь лучше

В конкретном примере с Delivery Hero, не окажется ли, что модель, которая игнорирует 90% процентов данных (на 100 к покупок в день придется где-то 10 M просмотров товаров в день, как минимум), будет в разы хуже той, которую можно было бы построить, учитывая все данные?

для рекомм системы, я подозреваю, не будет

Херово, но работающий и дающий денежный результат алгоритм всегда лучше, чем не дающая денег «можно было бы» теория

Кровавая правда работающего бизнеса в том, что он ищет _лучшего_, он зарабатывает на посредственном и простом.

для рекомм системы, я подозреваю, не будет

Думаете? То, что пользователь искал (интуитивно) мне кажется, может быть гораздо важнее, чем то, что он покупал

Итеративно нужно подходить

Ого) Какие люди

Думаете? То, что пользователь искал (интуитивно) мне кажется, может быть гораздо важнее, чем то, что он покупал

смотря как имплеменить, конечно я про классический collaborative filtering, а, насколько я знаю, именно он обычно является "основным" алгоритмом

плюс вопрос, как именно теряются 90% данных — случайно или можно "выбирать" нужное (скажем, чтобы история покупок/просмотров конкретного юзера всегда была доступна)

Если вы можете своему бизнесу из маленького среза, на коленке за три часа, помочь увеличить выручку хоть на 0.1% то не надо искать более идеального решения, нужно брать и увеличивать прямо тут.

Да, я согласен, это своего рода пример 80/20. Но в любом случае, потом же придется реализовать эти 20%, иначе это потенциально сделает кто-то другой?

Это вообще общие соображения про индустрию

смотря как имплеменить, конечно я про классический collaborative filtering, а, насколько я знаю, именно он обычно является "основным" алгоритмом

Немного погуглил, Амазон использует item-to-item CF. Видимо, это их собственный алгоритм, http://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf здесь есть подробности, но я пока не успел прочитать. http://rejoiner.com/resources/amazon-recommendations-secret-selling-online/ - здесь лайтовая версия о том, как это работает в Амазоне

да что с этим ботом, блин, второе сообщение трет

https://en.wikipedia.org/wiki/Netflix_Prize — ещё на тему рекомм систем (старое, но, насколько я знаю, существенного прогресса в конкретно этой области с тех пор не было)

ура, обошел фильтры

Просмотрел публикацию, наверное, сейчас много поменялось. Про Нетфликс гляну, спасибо

Still, although Amazon recommendations are cited by many company observers as a killer feature, analysts believe there’s a lot of room for growth.“There’s a collective belief within the e-commerce industry that Amazon’s recommendation engine is a suboptimal solution,” says Mulpuru. Trisha Dill, a Well’s Fargo analyst, says it’s hard to fault Amazon for their recommendations, but she also says the company has a lot of work to do in offering users items more relevant to them. As an example, she points to a targeted email she received pushing a chainsaw carrying case. (She doesn’t own a chainsaw.)

это статья бородатого года

ERROR: S client not available

наверняка они улучшили

но не рассказывают

Не сомневаюсь, но пока ничего новей не нашел)

The Rejoiner recommendations engine mines data from: Purchased shopping cart data Items added to carts but abandoned Pageviews All this data is fed into Rejoiner’s recommendations engine to help predict what your customers are most likely to buy next.

https://github.com/amzn/amazon-dsstne

Все-таки не покидает ощущение, что пример из копипасты не совсем удачен, т.к именно рекомендации - одно из основных источников прибыли, а для того же Амазона - это огромные деньги. И простейшие модели уже давно построены, а далее идет борьба за улучшение качества, которое "на коленке" уже не построишь

Да

Но лично вы не Амазон

Который может кинуть пару тысяч математиков на запинывание проблемы

Я - нет, да и мораль истории понятна) Но не уверен, что она касается таких гигантов, как тот же Delivery Hero ? Но, наверное, люди оттуда сами это понимают)

Все-таки не покидает ощущение, что пример из копипасты не совсем удачен, т.к именно рекомендации - одно из основных источников прибыли, а для того же Амазона - это огромные деньги. И простейшие модели уже давно построены, а далее идет борьба за улучшение качества, которое "на коленке" уже не построишь

в случае амазона, "простейшие модели" дали ему первоначальный рывок

Да, согласен. Но мой вопрос собственно в том, что теперь почти каждый может себе позволить построить простейшие модели, то в чем конкурентное преимущество будет этих моделей?

Да, согласен. Но мой вопрос собственно в том, что теперь почти каждый может себе позволить построить простейшие модели, то в чем конкурентное преимущество будет этих моделей?

В том, что ещё не все это делают. Тут должна быть цитата про бежать, чтобы оставаться на месте.

Удачная цитата) Впрочем, в ритейле, наверное, уже каждый этим занимается

Ну и если все их строят, то, наверное, лучшая модель у того, у кого данных больше.

Ну и качество модели, наверное, тоже? (Впрочем, здесь еще проблема в том, что у тех, у кого данных больше, обычно и денег на R&D больше)

Ну, если есть много данных, то нужно меньше усилий на тюнинг модели для тех же результатов.

https://twitter.com/googleresearch/status/932670010740195328

Пора расчехлять нейронки

Коллеги, у меня вопрос по последнему этапу того чем мы с вами занимаемся. После того как модель построена и оптимизирована мы, насколько я понимаю, должны идти к продуктовому менеджеру или другому бигбосу чтобы показывать чего мы добились и как это богатство применять для получения выгоды. В каком виде это обычно делается? Есть ли какие-то best practices по этим отчетам?

по хорошему вигода должна уже изначально быть kpi, а процессы должны позволять быстрое тестирование гипотез

но это от индустрии зависит

?

Коллеги, можно попросить у вас помощи по очень простой задаче по ТВ/матстату?

можно попросить

в просьбе отказано

:)