目标在山顶，永不止步!
在新零售与通用行业领域，具备成熟的行业解决方案和架构设计经验，并已成功在多个业务中台项目中实施、落地及交付。客户涉及服饰、家具、餐饮、酒店、汽车、新闻媒体、烟草、电力等多个行业。
随着云原生技术的兴起，针对企业在新业务系统和存量业务系统上云难痛点提供全面支持。从咨询服务开始，贯穿设计、规划、实施直至赋能培训的全生命周期，帮助企业实现业务系统的高效上云。助力企业构建业务中台和数据中台，不仅帮助企业实现业务数字化转型，更进一步推动数据驱动业务增长的战略布局，为企业的大型模型应用开发奠定了坚实的数据集成基础。
| 算法或理论 | 涉及知识点 |
|---|---|
| 贝叶斯分类器 | 随机变量、贝叶斯公式、随机变量独立性、正态分布、最大似然估计 |
| 决策树 | 概率、Gini系数、熵 |
| KNN算法 | 距离函数 |
| 主成分分析 | 协方差矩阵、散布矩阵、拉格朗日乘数法、特征值与特征向量 |
| 流形学习 | 流形、最优化、测地线、测地距离、图、特征值和特征向量 |
| 线性判别分析 | 散度矩阵、逆矩阵、拉格朗日乘数法、特征值与特征向量 |
| 支持向量机 | 点到平面的距离、Slater条件、强对偶、拉格朗日对偶、KKT条件、凸优化、核函数、Mercer条作 |
| logintic回归 | 概率、随机变量、最大似然估计、梯度下降法、凸优化、牛顿法 |
| 随机森林 | 采样、方差 |
| AdaBoost算法 | 概率、随机变量、极值定理、数学期望、牛顿法 |
| 隐马尔可夫模型 | 概率、离散型随机变量、条件概率、随机变量独立性、散度矩阵、逆矩阵、拉格朗日乘数法、特征值与特征向量最大似然估计 |
| 条件随机场 | 条件概率、数学期望、最大似然估计 |
| 高斯混合模型 | 正态分布、最大似然估计、Jensen不等式 |
| 人工神经网络 | 梯度下降法、链式法则 |
| 卷积神经网络 | 梯度下降法、链式法则 |
| 循环神经网络 | 梯度下降法、链式法则 |
| 生成对抗网络 | 梯度下降法、链式法则、极值定理、Kullback-Leibler散度、Jensen-Shannon散度、测地距离、条件分布、互信息 |
| K-means算法 | 距离函数 |
| 强化学习 | 数学期望、Bellman方程 |
| 贝叶斯网络 | 条件概率、贝叶斯公式、图 |
| VC维 | 维布森（Hoeffding）不等式 |