Olivia-account/Sales-Data-Analysis-and-User-Profiling-Project Olivia-account/Sales-Data-Analysis-and-User-Profiling-Project

Twitter logo Share LinkedIn logo Share Facebook logo Share
Olivia-account/Sales-Data-Analysis-and-User-Profiling-Project
github

Olivia-account

Reviews

There are no reviews yet. Be the first to send feedback to the community and the maintainers!

Repository Details

这个项目旨在对销售数据进行深入分析，并通过用户画像生成来揭示销售业务中的关键信息。通过对销售额、数量、利润等指标的统计分析，以及产品销售情况、地域销售情况、客户销售情况和时间趋势的分析，帮助企业了解销售业绩表现、产品热卖情况、地域销售重点、客户贡献度以及销售额的月度趋势。同时，通过用户画像生成函数，可以根据用户姓名获取其消费数据，分析其消费习惯，包括总消费额、平均订单金额和最常购买的产品。

More Repositories

1

Military-Equipment-Knowledge-Graph-Based-on-Deep-Learning-and-Neo4j

基于深度学习与Neo4j的军事装备知识图谱网页应用构建。本项目是一个军事武器知识图谱网页应用软件原型系统。该系统由数据爬虫、数据管理、数据处理、知识问答、新闻热点、词条查询和图谱展示七个功能模块组成。系统从互联网上爬取数据，并基于百度文心ERNIE 3.0模型对数据进行实体识别和关系抽取，将数据处理为三元组形式并存储到图数据库Neo4j中。通过数据管理和数据标注，并通过对Neo4j中的三元组数据进行自动处理和分析，实现知识问答、新闻热点、词条查询和图谱展示的功能。
Jupyter Notebook
93
star
2

-SIR-SIR-model-with-stochasticity-SEIR-SEIR-model-with-stochasticity-SI-SIRS-SEIRS-V-SIRD-

这个项目旨在通过利用传染病模型，结合实际观测数据，实现对传染病传播过程的更准确预测。我们采用了多种经典传染病模型，包括SIR、SIR模型带有随机性、SEIR、SEIR模型带有随机性、SI、SIRS、SEIRS-V以及SIRD，并通过优化算法对模型参数进行调整，以最好地拟合现实世界的数据。
Jupyter Notebook
5
star
3

Cell-Clustering-with-PyTorch-MLP

细胞聚类是生物信息学和医学研究中的关键问题之一。通过对细胞数据进行聚类，我们可以识别潜在的生物学群体，并更好地理解细胞之间的关系。本项目旨在通过构建一个基于PyTorch的MLP模型，实现对细胞数据的自动聚类。
Jupyter Notebook
4
star
4

estimate-vital-signs

使用了三个模型来训练：逻辑回归、随机森林、SVR。监测仪器可以随时监测到被监测者的电子信号，需要将电子信号“翻译” 为被监测者能理解的生命体征数据，本项目建立通过电子信号估计生命体征数据的数学模型。
Python
4
star
5

Stock-Purchase-Optimization-Project

这个项目旨在通过强化学习和蒙特卡洛模拟的结合，解决银行购买股票的最优策略和预期利润折现率的问题。首先，将交易日视为状态，银行的动作为购买或不购买股票，以最大化利润。其次，通过蒙特卡洛模拟生成资产价格路径，以及使用强化学习算法训练银行的执行策略。最后，通过调整折现率找到使预期现金流的净现值为零的折现率。整个项目结合了强化学习和蒙特卡洛模拟。
Python
3
star
6

SimRouteSolver

这项目通过模拟退火算法解决了路径规划问题，优化车辆路径和行驶距离。通过初始解生成和温度逐步降低的策略，算法不断搜索并接受更优解，最终得到全局最优解。
Jupyter Notebook
3
star
7

Poverty-Level-Prediction-Project-with-Random-Forest-and-Decision-Trees

本项目旨在通过先进的数据分析和机器学习技术，对哥斯达黎加的家庭信息数据进行深度分析，以科学、精准地预测家庭的贫困程度。项目的核心目标是识别出最脆弱的家庭，以便政府和社会组织能更有针对性地提供援助，从而有效改善这些家庭的生活状况，并优化社会援助资源的分配。 通过随机森林和决策树等机器学习模型的应用，本项目开发了一个贫困预测系统。系统首先对原始数据集进行了详细的预处理和特征工程，包括缺失值处理、统计汇总与可视化以及新特征的创建和选择。然后，利用交叉验证和模型评估策略，精选出影响贫困程度的关键特征，并通过准确率等指标评估了模型的性能。最终，决策树模型以其高准确率被选为最优模型，用于实际的贫困预测任务。
Jupyter Notebook
2
star
8

Tumor-recognition

基于机器学习的肿瘤特征识别，使用了六个机器学习的模型进行交叉验证
Python
1
star
9

A-MobileNetV2-based-Garbage-Classification-System-with-TensorFlow

本项目旨在利用 TensorFlow 框架构建一个垃圾分类系统，能够识别常见生活垃圾的类别，并具有较高的识别准确率。项目采用 MobileNetV2 作为模型架构，并进行了针对性的改进。最终，模型在测试集上取得了 95% 的准确率。
Jupyter Notebook
1
star