摘要
电影业的成功依赖于影视公司吸引电影观众的能力，但这一点说起来容易做起来就难了。电影观众示意个广泛多元化的群体，拥有广泛的兴趣和爱好。从历史来看，电影制片厂在决定投资一个特定的剧本时，严重依赖经验，这会带来巨大的风险，尤其是在投资新的原创故事的时候。而将故事和受众匹配起来的一个复杂的过程就是首席数据策略师兼媒体负责人Julie Rieger和数据科学高级副总裁Miguel Campo-Rembado
请登录后发表评论
登录
全部评论
All in AI
- 目录
- 为什么主流APP的推荐总能符合你口味？推荐系统了解一下
- 我是如何成为一名机器学习工程师，并很快找到工作的？
- 关于强化学习的事后经验回放，我是这样理解的
- 衡量机器学习模型性能，你可以试试利用ROC和CAP曲线！
- 神经网络是怎么“看”东西的？激活图告诉你
- 模型预测不在行？别慌，收下这篇TensorFlow指南
- 原来那个骚扰电话是AI打的！315晚会曝光的这“锅”AI背不背？
- 调查发现：年轻的开发人员更“钟情”于旧编程语言！
- 代码排名前1%的数据科学家揭露我们容易犯的十大编码错误！
- 这是一篇人脸检测基本实现最好懂的实践指南了！
- 一起开黑！OpenAI Five Arena向所有玩家开放
- 案例版名词解释：机器学习中的概念漂移！
- 数据太乱看不懂？教你用Python一招搞定！
- 实操讲解：使用Keras中的自动编码器进行极端罕见事件分类
- 实例讲解：我的强化学习初体验！
- 机器学习开篇第一步：如何设置Python环境？
- 人工智障 2 : 你看到的AI与智能无关
- 年度回顾：2018年度机器学习50大热门网文
- 从头开始强化学习：在Python笔记本中设计和解决任务
- 深度神经网络成长记：带你了解它的工作原理！
- 我是如何成为一名机器学习工程师，并很快找到工作的？
- 初识卷积神经网络第一讲！
- Gartner2019年的这波技术潮流你赶趟儿了没？
- Fox是如何利用机器学习俘获电影观众的心，让金刚狼3大卖的？
- 实例讲解：我的强化学习初体验！
- 实践篇：使用Spark和Scala来训练您的第一个分类器！
- 充电捷径：搞人工智能，你一定要读读这5本书！
- 马尔可夫链是个什么鬼？图文详解告诉你！
- AI For Everyone：吴恩达想用30分的非技术课程传达的内容
- 动手做：构建模型来预测Stack Overflow中的问题标签
