近两年人工智能技能发达发展，OpenAI连续放出ChatGPT、Sora等“王炸”产品，大模型、AIGC等技能带来了革命性的提升，很多人认为人工智能将引领第四次工业革命。
海内各大互联网公司也是重点投资布局，从个人角度来说要尽快跟上时期的潮流，有一句话说得好，“未来，淘汰你的不是AI，而是那些懂得利用AI的人！
”。

我们的初衷是从热火朝天的技能浪潮中回归镇静，深入理解和跟进AI技能的发展动态，并通过一系列实例解析，渐进式地勾引读者节制AI领域的知识体系。
如今，我们决定将这些宝贵的学习资料公之于众，以期对广大初涉AI领域的学习者带来本色性的启迪和帮助。

弁言

本文以经典的鸢尾花分类问题为切入点，生动详确地先容传统机器学习任务中的分类任务所涉及的核心技能。
我们将借助Python技能栈的强大工具——如pandas的数据处理功能、sklearn的机器学习算法库、matplotlib及seaborn的数据可视化工具以及numpy的科学打算能力，引领读者步入机器学习的奇妙天下，开启一场领悟理性与艺术的探索之旅。

在探索详细的分类任务之前，我们先简介下人工智能的背景。
人工智能的历史可以追溯到20世纪40-50年代。
在1956年的达特茅斯会议上人工智能被正式确立为一个学科。
人工智能（AI）是指使打算机系统具备仿照和模拟人类智能的能力，而机器学习（ML）是实现AI的一种方法，深度学习（DL）则是机器学习中利用深层神经网络模型的一种技能。
下图[1]是他们三者之间的关系。

图1：人工智能（AI）、机器学习（ML）和深度学习（DL）之间的关系

机器学习算法有多种分类方法[2][3]，从机器学习任务来分紧张有分类、回归、聚类和降维等方法，本文从一个机器学习的经典任务“鸢尾花分类”为例，来先容一些常见的数据剖析方法和工具的利用。

图2：机器学习的多种分类方法

鸢尾花数据

在利用算法之前，我们先用统计和可视化工具对数据进行初步剖析，这样便于直不雅观理解数据的统计值、分布和干系性等信息。

工具：pandas、seaborn

方法：描述性统计、数据分布、干系性剖析等

目的：从统计和视觉角度剖析数据的基本情形

▐数据集简介

鸢尾花包含很多种类，这个数据集包含 3 种：“山鸢尾”（Setosa），“杂色鸢尾”（Versicolor）和“维吉尼亚鸢尾”（Virginica）[1]。
三种花在花萼（sepal）长度和宽度以及花瓣（petal）的长度和宽度上有非常明显的差异，详见下图所示：

图3：三种鸢尾花的花萼（sepal）以及花瓣（petal）的长度和宽度

这三个分类标签便是我们想要预测的分类，即因变量。
个中，每个物种有50条数据，每条数据包含4个变量，我们把它称为自变量（或特色）：花瓣长度、花瓣宽度、花萼长度、花萼宽度。
花萼是由叶子蜕变而来，起到保护花蕾的浸染。
我们可以用pandas读取csv文件（读取为二维表格格式的DataFrame工具），然后看下前10条数据。

import pandas as pdiris = pd.read_csv('./iris.csv', names=['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'class'])print(iris.head(10))

图4：鸢尾花数据集的前10条数据

可以用图形展示三个类别的数据（数据中0-50条，51~100条，101~150条是同一个种别未打散，恰好可以看出三类数据的差异）。

iris.plot.line(stacked=False)

图5：三种种别鸢尾花的四个字段的真实值

利用pandas DataFrame的describe方法打印描述性统计信息。
从中可以看出四个特色字段的各个统计值，如均值、方差、四分位数等。

iris.describe()

图6：鸢尾花数据集的描述性统计

结合numpy分组聚合方法打印不同鸢尾花类别的几个特色字段的均值。
可以看出三类鸢尾花的花萼长宽、花瓣长宽等特色值有显著的区分。

import numpy as np# 读取csv略过print(iris.groupby(['class']).agg({ 'sepal_length': np.mean, 'sepal_width': np.mean, 'petal_length': np.mean, 'petal_width': np.mean}))

图7：三种种别鸢尾花的字段均值

▐数据分布

直方图

直方图是一种显示连续变量的分布情形的图表，通过将数据分身分歧的区间（常日称为“bin”或“桶”），并统计每个区间中数据的频数或概率密度来展示数据的分布情形。
直方图是由统计学家Karl Pearson在19世纪末引入的，它可以帮助我们理解数据的集中趋势、离散程度以及非常值情形。
下面，利用直方图查看各个特色属性的分布区间。

iris.plot(kind='hist', subplots=True, layout=(2, 2), figsize=(10, 10))

图8：鸢尾花四个属性的直方图（分箱频数）

核密度估计（KDE）

我们利用微分思想，将频率直方图的组距一步步减小，随着组距的减小，矩形宽度越来越小，因此，在极限情形下频率直方图就会变成一条曲线，而这条曲线即为概率密度曲线。
核密度估计（kernel density estimation，简称 KDE）是一种用于估计这条曲线的概率密度函数（probability density function，PDF）的统计方法[14]。
它通过对样本点周围利用内核函数（kernel function）加权均匀来得到密度估计值。

核函数是一种用于估计概率密度函数的函数形式。
普通来说，核函数便是一个用来描述数据点附近密度的函数。
核函数常日是一个关于间隔的函数，它衡量了一个数据点附近的其他数据点对该位置的贡献。
核密度估计的思想是将每个数据点作为中央，通过核函数来打算该位置附近的密度贡献值，然后将所有数据点的贡献值加起来得到整体的概率密度估计。
常见的核函数有高斯核函数（也叫正态核函数）和Epanechnikov核函数。

通过概率密度曲线可以看出更细致的取值概率。

iris.plot(kind='kde')

图9：鸢尾花数据集四个变量的KDE曲线

当然，再加上各个鸢尾花种别，可以看2维KDE的分布。

'Iris-setosa']virginica = iris.loc[iris['class'] == 'Iris-virginica']versicolor = iris.loc[iris['class'] == 'Iris-versicolor']sns.kdeplot(x=setosa.sepal_width, y=setosa.sepal_length, shade=True, alpha=0.7, color='blue', linewidth=2.5)sns.kdeplot(x=virginica.sepal_width, y=virginica.sepal_length, shade=True, alpha=0.7, color='red', linewidth=2.5)sns.kdeplot(x=versicolor.sepal_width, y=versicolor.sepal_length, shade=True, alpha=0.7, color='green', linewidth=2.5)

图9：鸢尾花数据集3种种别2个特色的二维KDE曲线

除此之外也有一些其他方法可以查看数据的分布，例如：箱线图、小提琴图、六边形分箱图等，本文不做过多先容。

▐干系性

干系性系数

皮尔逊干系性系数（Pearson Correlation）是衡量向量相似度的一种方法。
输出范围为-1到+1, 0代表无干系性，负值为负干系，正值为正干系。
数值越靠近1越干系。

iris.iloc[:, :4].corr()

图10：鸢尾花数据集4个特色的干系性系数

将皮尔逊干系性系数矩阵绘制成热力争可以清楚地看出变量之间的干系关系：花萼长度和宽度没有干系性，而花瓣长度和宽度的干系性很明显。

sns.heatmap(iris.iloc[:, :4].corr(), annot=True, cmap='YlGnBu')

图11：鸢尾花数据集4个特色的干系性系数热力争

散点矩阵

可以用seaborn绘制出三种花的各个属性的散点矩阵。
用于查看数据的干系性和概率密度分布。

import seaborn as sns# 其他代码略过sns.pairplot(iris, hue='class', diag_kind='kde')

图12：鸢尾花数据集4个特色的散点矩阵

分类算法

有了对数据的初步认知，从视觉上已经很随意马虎分出种别来了，那么接下来就研究下通过各种分类算法自动进行分类。

工具：sklearn、graphviz、matplotlib

方法：决策树（CART）、逻辑回归（LR）、支持向量机（SVM）、K临近（KNN）

目的：熟习常见分类方法

▐决策树（CART）

事理先容

决策树实质是一颗If-Then规则的凑集树。
基于二元划分（类似于二叉树）得到分类树，构造上由根结点和有向边组成。
而个中的结点也可分为两种类型，一是内部节点，二是叶节点。
决策树的优点是算法比较大略；理论易于理解；对噪声数据有很好的健壮性。
大略的说来，决策树[3]可以分为三大类：如ID3/C4.5/CART这类根本树；集成学习中的Bagging；集成学习中的Boosting（如比较实用的GBDT、XGBoost等）。
本文只先容CART决策树。

图13：《机器学习》一书中如何选西瓜的决策树

决策树学习的关键是如何选择最优划分属性。
一样平常来说，我们希望划分后分支节点所包含的样本只管即便属于同一个种别，即节点的纯度（purity）越来越高。
这里先先容一些指标观点：

ID3算法：以信息增益为准选择决策树的属性。
C4.5算法：利用增益率选择最优划分属性。
CART：利用基尼指数划分属性。

模型演习

先对种别数据进行预处理转换为0、1、2这样的数字。
并划分测试集和演习集。
然后，从sklearn的树模型中选择DecisionTreeClassifier进行数据拟合。

from sklearn import preprocessingfrom sklearn.model_selection import train_test_splitfrom sklearn import treefrom common import iris = read_iris()data = iris.iloc[:, :4].to_numpy()label_encoder = preprocessing.LabelEncoder()target = label_encoder.fit_transform(iris['class'])# 演习-测试数据切分X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)x = data[:, 2:4] # 花瓣长宽y = targetclf = tree.DecisionTreeClassifier(max_depth=4)clf.fit(X_train, y_train)for feature_name, importance in zip(feature_names, clf.feature_importances_): print(f'{feature_name}: {importance}')

然后拟合数据并打印关键特色，可见花瓣宽度和花瓣长度是更主要的特色。

图14：模型特色主要性

模型阐明

接下来安装grapviz[4] 对决策树进行可视化，并在将数据的。

brew install graphviz修正~/.bash_profileexport PATH="/usr/local/bin:/usr/local/sbin:~/bin:$PATH"

import pydotplusdot_data = tree.export_graphviz(clf, out_file=None, feature_names=feature_names, class_names=iris['class'].unique(), filled=True, rounded=True)graph = pydotplus.graph_from_dot_data(dot_data)graph.write_png("data/decision_tree.png")

图15：决策树可视化

这个图中，黄绿紫分别代表三种鸢尾花。
颜色越深代表gini指数越小，种别越纯。
利用决策树我们希望找到纯度高并且层级少的分支。

只用花瓣长宽来绘制决策边界。
如下图，可以看出决策边界与决策树是能够逐一对应的。

x_min, x_max = x[:, 0].min() - 0.5, x[:, 0].max() + 0.5y_min, y_max = x[:, 1].min() - 0.5, x[:, 1].max() + 0.5camp_list = ListedColormap(['#e58139', '#4de98e', '#853ee6'])h = 0.02xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # 用花瓣长宽属性值天生网格clf2 = tree.DecisionTreeClassifier(max_depth=4)clf2.fit(x, y)graph = pydotplus.graph_from_dot_data(tree.export_graphviz(clf2, out_file=None, feature_names=names[2:4], class_names=iris['class'].unique(), filled=True, rounded=True))graph.write_png("data/decision_tree2.png")Z = clf2.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape)plt.figure()plt.pcolormesh(xx, yy, Z, cmap=camp_list)plt.scatter(x[:, 0], x[:, 1], c=y)plt.xlim(xx.min(), xx.max())plt.ylim(yy.min(), yy.max())plt.xlabel('petal_length')plt.ylabel('petal_width')plt.show()

图16：仅用花瓣长宽特色的决策树决策边界

预测和评估

单个数据预测：

a = np.array([6,2,4,1]).reshape(1, -1)pa = clf.predict(pd.DataFrame(a, columns=feature_names))print(pa) # [1]

多个数据预测：

b = np.row_stack((data[10], data[20], data[40], data[80], data[140]))pb = clf.predict(pd.DataFrame(b, columns=feature_names))print(pb) # [0 0 0 1 2]

经由模型评估，可以看到准确性为100%。

accuracy = clf.score(X_test, y_test)print("Accuracy:", accuracy) # Accuracy: 1.0

补充下精度、召回率、F1

图17：精度、召回率、F1

真正例 - 预测为正样本且实际为正样本的样本数称为真正例（True Positive，TP）。
假正例 - 预测为正样本但实际为负样本的样本数称为假正例（False Positive，FP）。
真负例 - 预测为负样本且实际为负样本的样本数称为真负例（True Negative，TN）。
假负例 - 预测为负样本但实际为正样本的样本数称为假负例（False Negative，FN）。
精度 - 评估预测得准不准，精度 = TP / (TP + FP)，即：预测为正样本且实际为正样本的样本数 / 预测为正样本的样本数。
召回率 - 评估预测得全不全，召回率 = TP / (TP + FN)，即：预测为正样本且实际为正样本的样本数 / 所有实际为正样本的样本数。
F1指标 - 精度和召回率的调和均匀数，F1 = 2 (精度 召回率) / (精度 + 召回率)。

▐逻辑回归（LR）

事理先容

sigmoid函数：如图，是一种S型曲线。
导数是先增后减。
当输入值靠近正无穷大时，Sigmoid函数趋近于1；当输入值靠近负无穷大时，Sigmoid函数趋近于0。
图18：sigmoid函数及其导数logistic回归：个中，hθ(x)表示预测值，sigmoid()表示Sigmoid函数，θ为模型参数向量，x为输入特色向量。
模型参数向量θ包括截距项（intercept）和各个特色的系数。
softmax回归：softmax逻辑回归模型是logistic回归模型在多分类问题上的推广，在多分类问题中，类标签y可以取两个以上的值。

预测和评估

在scikit-learn中，LogisticRegression类默认利用一对多（One-vs-Rest）策略来进行多分类任务的处理。
该策略将多分类问题转化为多个二分类子问题。
对付k个类别的多分类问题，LogisticRegression会演习k个二分类模型，每个模型都是将一个种别与其他所有种别进行区分。

model = LogisticRegression()model.fit(X_train, y_train)y_pred = model.predict(X_test)accuracy = metrics.accuracy_score(y_test, y_pred)recall = metrics.recall_score(y_test, y_pred, average='weighted')print("Accuracy:", accuracy) # 1.0print("Recall:", recall) # 1.0confusion_matrix_result = metrics.confusion_matrix(y_test, y_pred)print('confusion matrix:\n', confusion_matrix_result) # [[10, 0, 0], [0, 9, 0], [0, 0, 11]]## 利用热力争对付结果进行可视化,画稠浊矩阵plt.figure(figsize=(8, 6))sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')plt.xlabel('Predicted label')plt.ylabel('True label')plt.show()

可以绘制稠浊矩阵展示预测的效果，稠浊矩阵以颜色编码的形式展示了不同种别之间的分类结果。
对角线上的数字表示被精确分类的样本数量，其他位置的数字表示被缺点分类的样本数量。

图19：分类预测结果稠浊矩阵

▐支持向量机（SVM）

事理先容

支持向量机[5]（Support Vector Machine，SVM）是一种二类分类模型，其基本模型定义为特色空间上的间隔最大的线性分类器，学习策略是间隔最大化，终极可转化为一个凸二次方案问题的求解。
直不雅观来看，SVM考试测验找到一个最优的决策边界，让这个决策区域最宽。
那么这个区域正中间便是最优划分边界，如下图的玄色线。

图20：SVM的最优决策边界

支持向量[10]：在决定最佳超平面时只有支持向量起浸染，而其他数据点并不起浸染。

图20：SVM的支持向量、超平面

核技巧。
用于处理非线性可分的场景，核技巧的基本思路分为两步:利用一个变换将原空间的数据映射到新空间(例如更高维乃至无穷维的空间)；然后在新空间里用线性方法从演习数据中学习得到模型。
常用的核函数有线性核函数、高斯核函数、多项式核函数、拉普拉斯核函数、Sigmoid核函数等。

图21：利用核函数升维后线性可分[15]

预测和可视化

利用sklearn中的svm函数非常大略，与之前的方法类似。
先将数据集按照演习集和测试集切分；然后只利用花瓣长宽两个特色，并进行标准化处理；接下来利用svm.SVC分类模型拟合数据；末了再用可视化的办法呈现分类的决策边界。

# 挑选特色x = data[:, 2:4]y = targetX_train2, X_test2, y_train2, y_test2 = train_test_split(x, y, test_size=0.2, random_state=42)# 特色值标准化standard_scaler = preprocessing.StandardScaler()standard_scaler.fit(X_train2)X_train_std = standard_scaler.transform(X_train2)X_test_std = standard_scaler.transform(X_test2)# 合并标准化后的数据集X_combined_std = np.vstack((X_train_std, X_test_std))y_combined = np.hstack((y_train, y_test))# 拟合数据model = svm.SVC(kernel='rbf', random_state=0, gamma=10, C=10.0)model.fit(X_train_std, y_train)# 可视化决策边界def plot_decision_regions(X, y, classifier, test_idx=None, resolution=0.02): # 定义颜色和标记符号，通过颜色列图表天生颜色示例图 marker = ('o', 'x', 's', 'v', '^') colors = ('lightgreen', 'blue', 'red', 'cyan', 'gray') cmap = ListedColormap(colors[:len(np.unique(y))]) # 可视化决策边界 x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1 x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1 xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, resolution), np.arange(x2_min, x2_max, resolution)) to_predict = np.c_[xx1.ravel(), xx2.ravel()] Z = classifier.predict(to_predict) Z = Z.reshape(xx1.shape) print('to_predict', Z) plt.contourf(xx1, xx2, Z, alpha=0.4, cmap=cmap) plt.xlim(xx1.min(), xx1.max()) plt.ylim(xx2.min(), xx2.max()) # 绘制所有的样本点 for idx, cl in enumerate(np.unique(y)): plt.scatter(x=X[y == cl, 0], y=X[y == cl, 1], alpha=0.8, color=cmap(idx), marker=marker[idx], s=73, label=cl) # 利用小圆圈高亮显示测试集的样本 if test_idx: X_test, y_test = X[test_idx, :], y[test_idx] plt.scatter(X_test[:, 0], X_test[:, 1], color=cmap(y_test), alpha=1.0, linewidth=1, edgecolors='black', marker='o', s=135, label='test set')## 可视化plt.figure(figsize=(12, 7))plot_decision_regions(X_combined_std, y_combined, classifier=model, test_idx=range(120, 150))plt.title('decision region', fontsize=19, color='w')plt.xlabel('standard petal length', fontsize=15)plt.ylabel('standard petal width', fontsize=15)plt.legend(loc=2, scatterpoints=2)plt.show()

核函数为径向基函数（Radial Basis Function），也称为高斯核函数。
gamma参数调度为10，会有较小的边界，可视化后的效果如下。

图22：SVM分类效果

▐K临近（KNN）

事理先容

KNN（K- Nearest Neighbor）法即K最临近法[6][11]，最初由 Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最大略的机器学习算法之一。
KNN是一种非参数、有监督的分类算法，它利用临近度对单个数据点的分组进行分类或预测。
常日用于分类算法，也可以用于回归。

KNN算法的步骤可以描述如下：

选择一个得当的间隔度量方法，常用的有欧式间隔（Euclidean distance）、曼哈顿间隔（Manhattan distance）等。
对付一个新样本点x，打算其与演习集中所有样本点的间隔。
选取与新样本点x间隔最近的K个演习样本点，这些样本点构成了x的K个最近邻。
对付分类问题，采取投票法确定x的种别。
即，统计K个最近邻中每个种别涌现的次数，将涌现次数最多的种别作为x的预测种别。
对付回归问题，采取均匀法确定x的预测值。
即，将K个最近邻的数值标签进行均匀，得到x的预测值。

图23：KNN算法事理

KNN算法默认利用的间隔度量公式是欧式间隔，间隔在度量相似度方面非常主要，很多算法如k-NN、UMAP、HDBSCAN都会用到。
这里补充下常见的间隔公式[12]。

图24：9种常用间隔公式

欧几里得间隔是连接两点的线段的长度。
余弦相似性是两个向量之间的角度的余弦。
Hamming间隔是两个向量之间不同的值的数量。
它常日用于比较两个等长的二进制字符串。
曼哈顿间隔，常日称为出租车间隔或城市街区间隔，打算实值向量之间的间隔。
切比雪夫间隔被定义为两个向量之间沿任何坐标维度的最大差异。
Haversine间隔是指球体上两点之间的间隔。
雅卡德指数（或交集大于同盟）是一个用于打算样本集的相似性和多样性的指标。

预测和展示

在sklearn中KNeighborsClassifier方法实现了KNN算法。
利用方法与上文类似，这已经是一个模板化流程了：先对数据进行标准化等预处理；然后切分为演习集和测试集；再配置对应的算法的参数；接下来拟合演习数据并预测测试数据；最后进行指标或可视化评估。
借助上文提到的标准化后的数据以及决策边界可视化方法来进行预测和展示。

def k_neighbors_classifier(): model = KNeighborsClassifier(n_neighbors=2, p=2, metric="minkowski") model.fit(X_train_std, y_train) plot_decision_regions(X_combined_std, y_combined, classifier=model, resolution=0.02) plt.xlabel('petal length [standardized]', fontsize=15) plt.ylabel('petal width [standardized]', fontsize=15) plt.legend(loc='upper left', scatterpoints=2) plt.show()

图25：KNN分类

总结

本文以机器学习领域中著名的鸢尾花分类数据集为出发点，首先对其进行了多种数据探索。
此阶段，我们利用了描述性统计剖析这一强有力的工具，通过对数据内在规律的抽丝剥茧；同时辅以直方图、KDE密度估计图等可视化手段，生动地勾勒出各种变量的概率分布形态；并利用皮尔逊干系系数和散点矩阵的办法剖析了鸢尾花各个字段的干系性。
使得我们能够建立起对鸢尾花数据的直不雅观而感性的认知。
透过这些视觉化的呈现，我们可以清晰洞察到数据内在的种别划分，即三个各具特色的鸢尾花品种。

随后，依托这份富含信息的数据宝库，我们依次展开了决策树、逻辑回归、支持向量机以及K隔壁这四种经典分类算法的实践之旅。
在阐述每种算法事理的过程中，我们力求深入浅出，使其初露端倪的聪慧内核得以揭示；同时，遵照机器学习的标准流程，我们演示了一套完全且规范的建模过程，从而让理论知识与实际操作紧密结合。
尤为值得一提的是，我们奥妙地借助于可视化技能，将各种算法的分类效果维妙维肖地展现出来，使人仿佛置身于一场科学与艺术交织的盛宴之中。

总的来说，这篇文章旨在勾引读者深入理解并节制机器学习分类任务的剖析方法，并期待这种洞见能够在广大读者各自的专业实践中绽放异彩，助力办理现实天下中的繁芜问题。

参考资料

[1] AL、ML、DL之间的关系 https://blogs.nvidia.com/blog/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

[2] 机器学习的分类 https://c.biancheng.net/view/9in9o7.html

[3] 选择机器学习算法 https://feisky.xyz/machine-learning/basic.html

[2] PCA主身分剖析可视化 https://projector.tensorflow.org/

[3] 决策树先容 https://zhuanlan.zhihu.com/p/560962641

[4] 切换brew镜像安装graphviz https://blog.51cto.com/u_15127504/3819701

[5] svm分类以及可视化 https://www.cnblogs.com/shanger/articles/11858205.html

[6] KNN分类 https://zhuanlan.zhihu.com/p/173945775

[10] svm事理 https://zhuanlan.zhihu.com/p/49331510

[11] knn算法 https://www.ibm.com/cn-zh/topics/knn

[12] 间隔公式 https://towardsdatascience.com/9-distance-measures-in-data-science-918109d069fa

[13] 机器学习算法分类大图 https://static.coggle.it/diagram/WHeBqDIrJRk-kDDY/t/categories-of-algorithms-non-exhaustive?from=timeline&isappinstalled=0

[14] 核密度估计 https://lotabout.me/2018/kernel-density-estimation/

[15] 核函数的浸染 https://blog.naver.com/PostView.naver?blogId=nhncloud_official&logNo=223186847311&redirect=Dlog&widgetTypeCall=true

团队先容

我们是淘天集团猫超&食品生鲜技能团队，卖力面向猫超&食品生鲜技能的B、C端业务。
团队致力于持续创新和打破核心技能，以优化平台用户体验和业务代价。
持续关注且投入消费者行为、机器学习、LLM、AIGC等干系前沿技能的研究与实践，并通过新技能做事团队和业务创新。

目前团队招聘中，欢迎聪明靠谱的小伙伴加入（社招、校招、演习生），有兴趣可将简历发送至chongyang.liucy@taobao.com。