fundamental concepts：our fundamental concepts as the basis of many common data science techniques（我們的基本概念是許多常用數(shù)據(jù)科學(xué)技術(shù)的基礎(chǔ)）；the importance of familiarity with the building blocks of data science（熟悉數(shù)據(jù)科學(xué)的組成部分的重要性）
exemplary techniques：association and co-occurrences （聯(lián)合與共現(xiàn)）;behavior profiling（行為分析）；link prediction（鏈路預(yù)測）；data reduction（數(shù)據(jù)縮減）；latent information mining（潛在信息挖掘）；movie recommendation；Bias-variance decomposition of error（誤差的偏差方差分解）；ensembles of models（模型集合）；causal reasoning from data（基于數(shù)據(jù)的因果推理）。
Co-occurrences and?Association：Finding Items That Go together
measuring surprise：lift and leverage（提升和杠桿作用）
lift：關(guān)聯(lián)關(guān)系發(fā)生的概率比隨機概率大的數(shù)量，lift計算公式如下12-1：
另一個衡量共現(xiàn)性的方法叫l(wèi)everage，是用兩者的差值代替比值來實現(xiàn)公式化，如下12-2：
lift和leverage一個更適合共現(xiàn)概率高的情況，一個更適合概率低的情況，這里的可以考慮為后驗概率，
可以看做先驗概率，所以樣本空間畫圖時只能表現(xiàn)先驗概率，本人還不能畫出
。
Example：Beer and Lottery Tickets（例如：啤酒和彩票）
?and?
,兩個一起買的先驗概率就是0.12，實際上兩個一起買的出現(xiàn)頻率是0.2，那么可以計算出
?and
。
兩者一起購買的support=0.2，strength=67%，（算法大概是0.4*1.67，就是獨立概率乘以lift值）
Associations Among Facebook Likes（Facebook喜歡間的關(guān)聯(lián)）
從用戶對不同喜好的關(guān)聯(lián)的參數(shù)（包括support、strength、lift、leverage）來統(tǒng)計這些獨立的明星個體間的關(guān)聯(lián)程度。
Profiling：Finding Typical Behavior（分析：查找典型行為）
關(guān)鍵詞：
均值偏離：由于數(shù)據(jù)分布的長尾效應(yīng)導(dǎo)致的均值偏差，此時可使用中位數(shù)替代；
log（logarithm）變式：可以對數(shù)據(jù)統(tǒng)一進行l(wèi)og轉(zhuǎn)換后，將數(shù)據(jù)分布的形態(tài)進行轉(zhuǎn)換，以使結(jié)論更顯著；
高斯分布（Gaussian distribution）：一般指正態(tài)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數(shù)（正態(tài)分布曲線）精確地量化事物，將一個事物分解為若干的基于高斯概率密度函數(shù)（正態(tài)分布曲線）形成的模型。 對圖像背景建立高斯模型的原理及過程：圖像灰度直方圖反映的是圖像中某個灰度值出現(xiàn)的頻次，也可以以為是圖像灰度概率密度的估計。如果圖像所包含的目標(biāo)區(qū)域和背景區(qū)域相差比較大，且背景區(qū)域和目標(biāo)區(qū)域在灰度上有一定的差異，那么該圖像的灰度直方圖呈現(xiàn)雙峰-谷形狀，其中一個峰對應(yīng)于目標(biāo)，另一個峰對應(yīng)于背景的中心灰度。對于復(fù)雜的圖像，尤其是醫(yī)學(xué)圖像，一般是多峰的。通過將直方圖的多峰特性看作是多個高斯分布的疊加，可以解決圖像的分割問題。 在智能監(jiān)控系統(tǒng)中，對于運動目標(biāo)的檢測是中心內(nèi)容，而在運動目標(biāo)檢測提取中，背景目標(biāo)對于目標(biāo)的識別和跟蹤至關(guān)重要。而建模正是背景目標(biāo)提取的一個重要環(huán)節(jié)。（摘自百度百科）
Link Prediction and Social Recommendation（鏈路預(yù)測與社會推薦）
講了好友推薦的一些內(nèi)容，over
Data Reduction，Latent Information，and Movie Recommendation（數(shù)據(jù)縮減、潛在信息和電影推薦）
這里講了一些視頻推薦的理論，比較表面，想要深入了解的可以參考《用戶網(wǎng)絡(luò)行為畫像》（牛溫佳）。
Bias，Variance，and Ensemble Methods（偏差、方差和集成方法）
Ensemble Methods就是把多個模型組合使用，多數(shù)情況下可以提高預(yù)測精度。
導(dǎo)致模型預(yù)測偏差的典型特征：
1. 內(nèi)在隨機性；2. 偏離；3. 方差。
Data-Driven Causal Explanation and a Viral Marketing Example（數(shù)據(jù)驅(qū)動的因果解釋與病毒式營銷案例）
有社會關(guān)系關(guān)聯(lián)的人，會有類似的產(chǎn)品偏好。
summary
本章結(jié)束，summary里面沒啥。
