数据挖掘技术在商业银行CRM中的应用理论与模型研究

MG0915055 马文虎

（工程管理学院 信息管理工程）

摘  要：随着金融市场竞争的加剧和消费者的需求日趋个性化，建立高效的CRM系统，可以使银行更好的了解客户需求，评价客户价值，从而为客户提供个性化的服务，提高客户价值，巩固客户忠诚度。本文首先介绍了CRM和数据挖掘，其次分析了数据挖掘在银行CRM中的作用以及目前的研究现状，最后通过研究数据挖掘技术在商业银行中的应用案例，总结了商业银行客户细分、客户流失预测和企业客户信用风险评级体系的研究，并给出了相应的模型。

关键字：数据挖掘  商业银行CRM  客户关系管理  客户流失  信用风险

1 引言

当今世界，银行和电信的数据挖掘走在最前面，而银行的数据比电信行业数据保存的更为完整。客户的存款和客户的数据是商业银行可利用的两个巨大的资源。相应地，银行的管理产生了两大任务：即客户资金管理，数据挖掘[5]。

在电子商务时代的今天，银行和客户之间的交互方式发生了显著的变化，谁也不能保证客户会对你忠诚，银行要想保留住客户，就必须更多的了解客户的需求。CRM就是银行为了保持银行的竞争力，采取面向客户，客户驱动和以客户为中心的发展策略，银行要想和客户保持长久地关系，从每个客户身上获取最大利润，降低市场营销费用，减少由于客户离去和无效的经营策略产生的浪费，就要求银行能够深入的了解客户的习惯、喜好，最好能估计到客户的需求，并在最短的时间内满足客户的需要。要做到这些，就必须对客户在与银行的交互过程中的各种数据进行收集、分析，挖掘出银行数据中的有用的信息，从而实现CRM的目标，即在正确的时间里通过正确的渠道给客户提供恰当的服务。数据挖掘技术就是帮助我们解决同客户在交互过程中遇到的各种问题的最重要的技术之一。由于数据挖掘技术在CRM中所起的核心作用，因此它的研究对银行是否成功实施CRM战略，以及提高我国银行的决策支持水平有着重要的意义[4]。

2 CRM与数据挖掘简介

客户关系管理（CRM）不仅是一种通过完善的客户服务和深入的客户分析来满足客户的需求，保证实现客户终身价值的管理理念，而且是一种旨在改善企业与客户之间关系的新型管理机制，使企业从“以产品为中心”向“以客户为中心”的模式转移，即企业关注的焦点是从内部运作转移到客户关系上来。

很多银行花大力气去积累有关客户的信息，但并不能有效地进行客户关系管理。因为信息只是一些原材料，需经过组织、分析并理解后，才可以用来构建有关客户的知识，进而指导银行的市场、销售、客户服务等各个环节，提高银行的效率和效益。但银行如何管理和分析大量、复杂的客户信息，从中找出对自身管理决策有价值的信息和知识，则需要有先进的技术和工具的支持，数据挖掘等新兴技术的出现，则为银行CRM的实现提供了良好的支持。

数据挖掘（DM）是个比较广泛的概念。广义的数据挖掘指的是一般性数据分析，它既包括统计分析方法，也包括挖掘方法。狭义的数据挖掘则是指基于非线性关系的数据分析方法。数据挖掘是信息技术发展到一定阶段的必然产物，是从数据库、数据仓库或其他信息库的大量数据中，挖掘出有用的知识的一个过程。

如果从银行角度说，数据挖掘则是一种新的客户信息处理技术，其主要特点是对银行数据库中的大量业务数据进行抽取、转换、分析和其他模式处理，从中提取出能辅助银行决策的关键性数据。因此，数据挖掘可被定义为：是提取有用信息和知识的数据产生过程，是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，并能够根据已有的信息对未来所发生行为做出预测，为银行经营决策提供依据的过程[1]。

3 数据挖掘技术在银行CRM中的应用

管理学中著名的“二八定律”，即80%的利润来自20%的客户，就如何挑选把握好这20%客户就成为银行成功的关键。目前各国银行已经意识到客户是至关重要的商业资源，应当高度重视对客户关系的建立、维持、和培养，实施客户战略，以建立长期稳定地客户关系。因此建立高效的CRM系统，可以使银行更好的了解客户需求，评价客户价值，从而为客户提供个性化的服务，提高客户价值，巩固客户忠诚度。要使CRM有效运作，引入数据挖掘技术是一大趋势[4]。

3.1 数据挖掘技术在银行CRM中的应用理论

在银行CRM中，数据挖掘应用广泛。如金融市场分析和预测、账户分类、信用评估等。这些金融业务都需要收集和处理大量数据，数据挖掘可通过对这些已有数据的分析和处理，找到数据对象的特征和对象之间的关系，并可观察到金融市场的变化趋势，然后利用挖掘出的知识进行合理地分析预测，进而发现潜在客户及现有客户的金融和商业兴趣等。数据挖掘在银行CRM中的应用模型如下图所示[1]：

图1 数据挖掘在银行CRM中的应用模型

一般而言，客户生命周期包括四个阶段：一是获取客户，二是提高客户价值，三是保持高效益客户，四是防止客户流失。数据挖掘技术在CRM的不同生命周期具有不同的作用：

1）利用聚类分析方法进行客户分类，获取客户

发现和开拓新客户对于任何一家银行来说至关重要。客户分类又称为客户细分，是将大量的客户分成不同的类型，同一类型的客户拥有某些相似的属性，如背景资料、盈利能力、消费偏好等。通过客户细分，可使银行准确把握现有客户的状况，针对每类客户使用不同的营销方式或提供不同的服务，使银行以最小的投入获得最大的回报。

聚类分析方法是通过无指导学习，按最大化类内部的相似性、最小化类之间的相似性的原则，自动对数据分类。对于客户关系管理系统中的大量数据，管理人员常常希望能得到有意义的提示，以做出正确的客户分类判断。此时，使用聚类分析结果，先给出多个不同的相对较大的类划分，然后再进行精确划分。通过聚类分析，银行往往可以发现客户的群体行为，发现客户的共性，掌握他们的投资理念，从而提供针对性的服务，提高银行服务的成功率。还可以通过分类或聚类分析对客户进行群分后，再由模式分析预测哪些人可能成为其客户，以帮助管理人员找到潜在客户。

2）利用关联分析方法进行交叉销售，提高客户价值

交叉销售就是指银行通过和客户交流，向现有客户提供新产品和新服务，从而保持现有客户资源、提升现有客户价值的销售方式，它建立在银行和客户双赢的基础之上。关联分析则是给定一组或一个记录集合，通过分析记录集合，推导出其相关性，目的是为了挖掘出隐含在数据间的相互关系。银行利用关联分析方法分析客户的交易行为与其他属性（如客户的年龄、性别、教育程度、职业等）的关联关系，即寻找影响客户交易行为的因素，并建立预测模型对客户将来可能发生的交易行为进行预测，分析哪些客户最有可能对银行的服务感兴趣，会对哪些金融产品感兴趣，哪些理财产品或服务通常会一起发生在同一次交易里，从而实施有效的交叉销售，提高银行的客户价值。

如果银行通过交叉销售方式来实现销售量的增加，以下两个步骤通常是必须要遵循的。一是通过聚类分析实现客户细分，锁定交叉销售所要面对的目标客户；二是通过关联分析确定最优的销售组合，并向相应的客户展开交叉销售。

3）利用分类法保留客户，提高客户忠诚度

数据分类是通过在训练集上针对某一属性进行类划分，建立描述并区分数据类或概念的模型，再使用该模型对数据集进行划分。随着各个行业竞争的加剧，银行获得新客户的成本正在不断地上升，因此，保持原有客户对所有企业来说，显得至关重要。而且企业争取一个新客户的成本是保留一个老客户的7-10 倍，因此，企业最关心的话题是如何才能留住客户，尤其是那些“优质客户”（在广义上，优质客户就是那些虽然仅仅占全部人数的20%，但为银行创造80%效益的客户），增加客户对企业的忠诚度。

银行为留住老客户，就必须了解客户的需求。可以假设类标号属性是“顾客是否流失”，再利用数据挖掘工具对大量的客户资料进行分析，建立数据模型，确定客户的交易习惯、交易额度和交易频率，分析客户对某个产品的忠诚程度、持久性等，即确定每类客户的特征，对客户群进行分类，从而为他们提供个性化定制服务，以提高客户忠诚度，最大程度地保持住老客户。

4）利用孤立点分析法发现客户异常行为，防止客户流失

孤立点是数据集中与一般数据模型不相符合的那些数据。一般情况下，在数据被导入数据仓库前，应该经过数据清理，以消除不一致的情况。但是，在实际应用中，往往会发现一些客观存在的、非操作人员的人为因素而导致的异常数据。对于这些异常数据，我们无法按一般可行的分类规则对其进行划分，也无法通过聚类的方法将其与其他数据建立有效的联系，但这些数据往往包含着实际的应用价值。

客户流失是银行难以控制的常见问题，流失现象会给银行带来很多不利影响。在客户关系管理系统中，利用孤立点分析法，除了可用于欺诈发现外，还可发现客户的异常行为，从而使银行减少和避免不必要的客户流失。比如，我们为客户账户的日常行为（如发生额、业务笔数）设立一个阀值，客户账户的日常行为都应该在此阀值之中，如果某账户的日交易金额或日交易笔数超过了该阀值，表明该账户出现了异常行为，有可能成为流失客户。工作人员应及时分析原因，采取一定的措施挽留住该客户。

在客户生命周期的整个过程中，各个不同阶段都包含许多重要的事件，数据挖掘还可以用于判断客户所处的生命周期状态，并可预测客户进入客户生命周期下一阶段的时间以及客户的行为。银行对客户生命周期各个阶段的准确把握与管理，有利于根据客户的状态采取相应的交叉销售或增值销售等市场活动，从而实现银行的最高利润。

3.2 数据挖掘在银行CRM中应用现状

国外一些学者对数据挖掘在银行CRM中的应用作了重要阐述，他们认为数据挖掘优化了CRM的服务功能，可以为客户提供准确的参考信息，提高对客户事务处理能力。在美国建有CRM的银行中，以大型银行为主，大部分都已经在CRM中实施了数据仓库和数据挖掘项目。银行事务需要搜集和处理大量数据，对这些数据进行分析，发现其数据模式及特征，然后可能发现某个客户，消费群体的兴趣，并可观察市场的变化趋势，银行业务的利润和风险是共存的。为了保证最大利润和最小风险，必须对客户进行科学的分析和归类，并进行信用评估。美国Firstar银行使用数据挖掘技术，根据客户的消费模式预测何时为客户提供何种产品。它们发现公共数据库中存储着关于每位消费者的大量信息，关键是要透彻分析消费者投入到新产品中的原因，在数据库中找到一种模式，从而能够为每种新产品找到最合适的消费者。他们采用读出数据变量，根据消费者是否有家庭财产贷款、信用卡、存款或其它投资产品，将它们分成若干组，然后使用数据挖掘技术预测何时向每位消费者提供何种产品[4]。

国外一些银行实施CRM系统的结果，不仅伴随着从根本上改革其管理的方式和业务流程，也伴随着更为飞速地发展和巨大的成功。这对中国商业银行在未来应用和推广CRM提供有益的启示和借鉴的经验。相对于国外而言，数据挖掘技术在我国银行CRM中应用尚处于起步阶段。虽然我国银行已经建立了相应的硬件设施包括客户服务中心、数据仓库，但目前CRM系统基本缺乏深入的客户信息分析及与后台可集成的销售业务操作功能，从长期来看，国内银行目前着力进行投资建设的电话银行和网上银行、纷纷推出的综合业务系统或整合业务处理系统、以及注入巨资建设的银行内部网络、数据仓库等，也将构成商业银行CRM系统的有机组成部分。

4 数据挖掘在商业银行中的应用模型

4.1 商业银行客户细分模型

传统的客户细分方法一般是基于经验的分类方法或基于统计的简单划分方法，无法满足诸如对哪些客户的潜在价值更高、哪些客户的资信程度等更高等复杂分析的需求。面对电子商务所产生的海量客户数据，传统方法也显得力不从心。以数据挖掘为核心的商务智能技术的出现，为海量数据下的复杂客户细分问题提供了新的解决方法。

为在客户细分研究中建立统一的功能结构模型，作为客户细分研究工作的基础，文献[2]建立了一个标准的客户细分功能结构模型——客户细分的DFM 模型，如图2所示。

图2 客户细分的DFM模型

1）个人客户信用评分模型

文献[6]认为目前简单的、定性的和主观的信用评分体系已经不能满足银行业开发和推广新的金融产品和服务的需要，它针对于商业银行个人客户信用评分模型的研究，研究如何将数据挖掘中的分类算法应用于真实的个人信用数据中，挖掘出隐含的规律，并量化为具体的评分模型；同时根据应用案例对模型作出调整，建立了符合实际需求的新型个人信用评分模型。

结合调研和阅读文献掌握的我国目前的实际情况以及国外的多家金融机构的信用评分情况，评估客户的信用情况要考虑四大主要因素，分别是申请人的自然情况、职业情况、家庭情况、与银行的业务往来关系。经过调查分析，最终要作为数据源的因素确定为：性别、年龄、婚姻状况、健康状况、最高学历等22项。然后经过数据清洗、冗余处理及变换后最终得到了如表2所示的数据集字段表。

表1 最终数据集字段表

在建立好决策树模型之后对于信用的级别有了直观的了解，文献就根据CART在建立决策树过程中对于属性重要程度的判断，给14个属性赋权进行量化，得出最后的信用评分模型。

图3 个人评分模型建立过程

在文中研究的信用问题中，信用级别分为3等：信用好，信用一般，信用差。作者对2073个样本进行分析后，这三种级别的比例为（58.4%，30.08%，11.52%），从中测试集里取1000条记录按照评估模型进行评分并按照上述信用比例进行分析，得出下面表3结论：

表2 信用评分分值与信用级别对应表

2）银行客户分类模型

文献[7]采用数据挖掘技术对某银行重庆分行客户进行分析，采用SOM聚类方法对该银行客户进行基于价值的聚类，将客户分为低价值、一般价值和高价值客户，通过决策树中的三叉决策树方法和组合分类器方法对聚类结果中三种价值客户建立分类预测模型，通过比较得出对该银行客户价值分类预测效果较好的模型，以便及时有效的发现银行的高价值客户，并对不同价值客户采取相关管理措施，以指导该银行的客户关系管理。下面介绍两种文中用到的两种模型，由于篇幅限制，这里数据采集及与处理模块略。

（1）基于银行客户价值的聚类模型

总体思路：首先进行第一次聚类分析。因为本章研究主要目的要正确鉴定银行中的三类客户，即低价值客户、一般价值客户和高价值客户。为了在客户分类上尽量少的将部分价值相对高的客户归为价值相对低的一类，研究中在第一次聚类中选择了四类，以便根据结果合理的进行价值归类。然后在第一次聚类结果中发现，第二、三、四类客户的价值远大于第一类客户，但是在数量上却远少于第一类，综合考虑下，将第一类客户进行再次聚类分析，从中找出价值相对高一点的一般价值客户，为银行尽量多的找到有价值客户。而同样为了在客户分类上尽量少的将部分价值相对高的客户归为价值相对低的一类，研究中在第二次聚类中选择了三类，以便根据结果合理的进行价值归类。最后通过对两次聚类结果的综合分析，得出银行客户的最终类别。具体流程如图4所示：

图4 聚类流程图

（2）银行客户的分类模型

以上文的聚类结果为依据，将每一位客户对应的类别添加到样本数据中，作为分类建模的数据。

分类模型中的目标变量共有三类，即属于多目标分类模型。而决策树分类模型以两个目标变量的分类为基础，两个目标变量的分类模型相对与多目标的分类模型准确率有较大提高，因此本研究通过三叉决策树分类器和二叉决策树组合分类器方法相互比较，得出最终分类预测模型，其总路线如图5所示：

图5 分类预测模型建立流程

4.2 银行客户流失分析和预测研究

目前，在银行业竞争日趋激烈的环境下，各个地区的各级营业机构普遍存在着客户流失问题。客户是商业活动的中心，衡量一个企业是否成功的标准将不再仅仅是企业的投资收益率和市场份额，而是该企业的客户流失率、客户份额及客户资产收益率等指标。据测算，吸引一个新客户的成本是保留一个老客户成本的5倍。通过建立流失模型进行预测，如果银行可以将金牌客户流失率降低5%，那么银行的平均客户利润率将提高85%，而且忠诚的客户对于价格的敏感性也会降低[8]。

客户流失是商业银行目前面临的一个极为严峻的问题，运用数据挖掘技术进行商业银行客户流失分析具有重要的商业价值。对商业银行客户建立流失模型，看看哪些客户最有可能流失，他们有哪些具体的行为特征，造成他们流失的原因是什么，这样将为商业银行客户的保留提供科学的依据，便于银行在客户流失前采取相应的补救措施来尽量的挽留客户。建模前后的效果对比见图6所示：

图6 建模前后效果对比

文献[8] 对中国建设银行某分行客户建立客户流失模型。客户流失模型的建立流程具体如下：

①定义业务问题；

②进行环境评估；

③准备数据；

④根据数据挖掘过程方法论进行建模；

⑤把模型的结果进行数据应用；

⑥回顾模型的应用情况；

⑦根据模型应用的反馈，开始新的数据建模流程。

建模后采用新的样本数据作为验证集，用于模型的检验和修正来验证模型的情况。检验的方法是使用模型对已知客户状态的数据进行预测，将预测值与实际客户状态作比较，预测正确率达到标准便可应用模型。检验过程如图7所示：

图7 检验客户流失模型

经过SAS回归运算判定，最终结论中确定出影响银行客户流失的5个贡献度最大的预测变量，并由此建立流失模型。针对每个客户，将客户的实际交易数据带入模型后，可以得到每个客户的流失概率和流失刻度，并由此进行有针对性地营销，进而为银行的经营、决策提供可靠的量化依据。模型预测过程如下图8所示：

图8 模型预测流程图

4.3 银行企业客户信用风险评级体系研究

先进的商业银行客户信用风险评级体系是正确实施信用风险管理的基础，为了解决我国商业银行客户信用风险评级体系落后带来的问题，文献[3]提出了基于数据挖掘的客户信用风险评级体系结构，深入解析了基于关联规则的客户信用风险评级指标体系的构建、基于BP 神经网络的评级模型的构建和基于多种数据挖掘技术的分类结果细化可视化模块的构建，体系结构如图9所示。

图9　基于数据挖掘的客户信用风险评级体系结构

1）基于关联规则构建客户信用风险评级指标

客户信用风险评级模型的数据来源于信用风险评级指标的确定，科学地构建指标体系对评级模型的正确分类起到决定性的作用。

文献[3]认为企业在日常业务流程中伴随着风险因素，因此提出利用关联规则挖掘企业最为频繁业务关联活动，进而分析影响这些频繁业务关联活动的风险指标；另外考虑到时间和内外部环境的影响，进一步用关联规则挖掘贯穿于企业整个生命周期的频繁业务关联活动；取两部得到频繁业务关联活动的并集，分析影响的风险指标。这样不仅可以获取完整的风险评级指标体系，更提高了风险指标分析的科学性。表1所示的是经过该关联规则挖掘方法得到影响某商业中小企业A 簇的风险评级指标。

表3　商业中小企业信用风险评级指标

2）基于BP 神经网络构建客户信用风险评级分类模型

客户信用风险评级的本质是客户信用风险分类预测的问题。用于分类和预测的数据挖掘方法有多种，相比于其它分类方法，神经网络分类方法具有处理多因素多指标、适合处理连续型数据、抗噪音能力强等优点。因此文献[3]利用BP 神经网络分类法、在内外部环境动态变化的基础上构建此分类评级模型，主要包括两大阶段：数据准备阶段和BP 神经网络分类器构建及评估阶段，如图10 所示。

图10　基于BP神经网络的客户信用风险评级分类模型

3）基于数据挖掘构建分类结果细化可视化模型

文献[3]构建基于数据挖掘分类结果细化可视化模型的内涵是在初次BP神经网络分类结果的基础上，再次使用多种数据挖掘方法，如概念描述、聚类、关联规则等方法找出与初次BP神经网络分类结果相关的多种企业内部原因，即找出初次分类结果与企业频繁业务关联活动、风险因素评级指标之间进一步的逻辑联系，这些再次被挖掘出的知识规则用曲线、曲面、数据分布图表等可视化用户界面形式辅助管理者决策，模型如图11所示。

图11 基于数据挖掘的分类结果细化可视化模型

参考 文 献

[1] 尹晓丽，方旭昇．数据挖掘技术在银行CRM中的应用[J]．经济研究导刊，2009（28）112-113．

[2] 方安儒，叶 强，鲁 奇，李一军．基于数据挖掘的客户细分框架模型[J]．计算机工程，2009，35（19）：251-253．

[3] 蔡皎洁，张玉峰．基于数据挖掘银行客户信用风险评级体系研究[J]．情报杂志，201029（2）：47-50，71．

[4] 张嫣．数据挖掘技术在银行客户关系管理中的研究和应用[D]．武汉：中南民族大学，2008．

[5] 戴巍．数据挖掘技术在银行个人金融业务CRM中的应用研究[D]．哈尔滨：哈尔滨工程大学，2009．

[6] 曾辉．基于数据挖掘的银行个人客户信用评分模型的研究[D]．北京：对外经济贸易大学，2007．

[7] 赵金涛．基于数据挖掘的银行客户分类模型研究[D]．重庆：重庆大学，2009．

[8] 高海燕．基于数据挖掘的银行客户流失预测研究[D]．西安：西安理工大学，2007．

[9] 柳婷．基于数据挖掘的银行客户流失模型分析研究[D]．重庆：重庆大学，2008．

数据挖掘技术在商业银行CRM中的应用理论与模型研究相关推荐

  1. 数据挖掘技术在知识型CRM中的应用研究

    一.引 言            客户作为一种企业核心资源,拥有和保持更多的客户决定着企业今后发展的命运,因此有效地开发和利用客户资源,发展和巩固企业同客户之间的和谐关系,在最大程度上满足客户需求的同 ...

  2. 大数据挖掘技术在金融保险行业中的用途

    大数据挖掘技术应用在各行各业中,不光是在科技领域,在金融保险行业当中也同样受用.   一.客户细分分析    通过K-means聚类算法具有扩展能力.异常点检查能力.算法效率等方面的性能,借助K-me ...

  3. 数据挖掘技术的算法与应用读书报告

    数据挖掘作为现在比较有用的支持决策系统的一种手段有着广泛的应用.其有很多种方法,本文主要基于关联规则类等相关问题进行论述.按照挖掘过程进行组织.首先,有数据仓库的建立和数据挖掘的概述.其次是关联规则的 ...

  4. 数据挖掘技术的算法与应用【转】

    [code="java"] 研究方向前沿读书报告 数据挖掘技术的算法与应用 目录 第一章 数据仓库... 5 1.1 概论... 5 1.2 数据仓库体系结构... 6 1.3 数 ...

  5. 数据挖掘技术的算法与应用

    研究方向前沿读书报告 数据挖掘技术的算法与应用 目录 第一章 数据仓库... 5 1.1 概论... 5 1.2 数据仓库体系结构... 6 1.3 数据仓库规划.设计与开发... 7 1.3.1 确 ...

  6. 数据挖掘技术的来源、历史、研究内容及常用技术

    数据挖掘技术的来源.历史.研究内容及常用技术 1 数据挖掘技术的由来 1.1网络之后的下一个技术热点 我们现在已经生活在一个网络化的时代,通信.计算机和网络技术正改变着整个人类和社会.如果用芯片集成度 ...

  7. 煤炭企业基于数据挖掘技术的云ERP应用分析

    2019独角兽企业重金招聘Python工程师标准>>> 0前言 随着以计算机为主的信息技术的发展,煤炭企业的数据量越积越多,但其中能为企业管理者有用的信息并不多,这里的有用的信息主要 ...

  8. 【文献阅读】数据挖掘技术在制冷空调行业的应用

    数据挖掘技术在制冷空调行业的应用 数据挖掘技术 数据预处理 数据清理.数据集成.数据变换.数据归约 数据挖掘 监督学习算法:决策树DT.支持 向 量 机SVM.BP 神 经 网 络BPNN和贝叶斯网络 ...

  9. 挖挖双色球——数据挖掘技术 分享

    最近双色球比较热闹,因为河南1彩民独中双色球3.6亿巨奖!     <媒体报道:2009年10月8日,国庆长假结束前的最后一天,在这个注定要被写进中国彩票史的日子,河南省安阳市成为了全国瞩目的焦 ...

最新文章

  1. [WebApp开发]基础教程-Google官方文档-第四篇
  2. modelsim-altera
  3. VeeValidate在vue项目里表单校验应用案例
  4. hdu 2196(经典树形dp)
  5. 机器学习（十六）——隐式狄利克雷划分
  6. nand flash和nor flash的这几点区别你知道吗？
  7. python调用caffe环境配置
  8. 网络端口和端口扫描简介
  9. LookupError(‘unknown encoding: GB2312‘)
  10. 车牌识别-基于模板匹配
  11. 第五篇 应用Java
  12. Openerp对象字段定义详解
  13. 【读书笔记】《中央帝国的财政密码》
  14. javaweb网上宠物商城管理系统分前后台(源码+数据库+开题报告+ppt+文档)
  15. 毛泽东思想和中国特色社会主义理论体系概论
  16. 1-51单片机开发板介绍(所讲内容,功能介绍)
  17. [C#] 折腾海康威视的人体测温 模组
  18. 字节跳动 - 短视频内容理解与推荐竞赛
  19. 职高计算机论文,职高计算机
  20. 无线对讲机服务器,网络对讲机服务器设置

热门文章

  1. 自动驾驶在中国“不刹停”，北京市给百度颁发了首批路测号牌
  2. VS code代码颜色插件
  3. 考研政治现在开始准备早吗？
  4. 银行业务笔记之存款业务
  5. CentOS8 arm64架构 鲲鹏服务器上安装zabbix-agent
  6. 用递归方法建立二叉树
  7. Openwrt 编译环境搭建
  8. JavaScript | 如何解决 Cannot set property of Undefined
  9. xterm.js V4.13.0 学习文档（for vue）
  10. android全局监听onkeydown,在Fragment中监听onKeyDown事件