-
很重要的分类：生成模型，判别模型查看全部
-
什么是机器学习 ：利用计算机从历史数据中找出规律 并把这些规律用到对未来不确定的场景决策中查看全部
-
机器学习解决问题框架查看全部
-
机器学习算法查看全部
-
机器学习应用领域查看全部
-
1查看全部
-
14.机器学习和数据分析的区别 数据特点 交易数据【跟钱有关系】【一致性强】 VS 行为数据【用户的历史行为】【no SQL数据库 像mongoDB】 少量数据 VS 海量数据 采样分析 VS 全量分析 15.数据分析（OLAP）（报告过去的事情） 机器学习（预测未来的事情） 16.机器学习算法分类 有监督学习【已经打上标签】 无监督学习【聚类 自己推测标签】 半监督学习 根据内容： 分类与回归 聚类 标注 很重要： 生成模型【告诉你样本属于哪个类的概率】 判别模型 【告诉你结果】 17.分类 C4.5 聚类 K-Means 统计学习 SVM 关联分析 Apriori 【基本淘汰 代价太大】 统计学习 EM 链接挖掘 PageRank 【谷歌】 集装与推进 AdaBoost [人脸识别] 分类 kNN Naive Bayes CART 高级算法： FP-Growth 逻辑回归 RF GBDT 推荐算法 LDA Word2Vector HMM CRF 深度学习 18.机器学习解决问题 确定目标： 业务需求 收集数据 特征工程【70%】 训练模型： 定义模型-产生公式（根据具体要解决的问题） 定义损失函数（预测的结果与真实的结果之间的偏差最小的函数） 优化算法（使损失函数取极小值） 模型评估： 交叉验证 效果评估 19.图片中的每一个像素点是以一个rgb来存的red，green，blue来表示每个成分有多大来存 的，每个图是一个二进制的文件 20.K-Means聚类的算法，特征工程就是将图片以向量或是其他的形式来表示的查看全部
-
1.机器学习就是利用计算机从历史数据中找规律，把这些规律用到对未来不确定场景的决策。【关键词 不确定因素 判断 决策 依靠的是计算机的历史数据的规律挖掘】 2.机器学习依靠计算机 数据分析依靠人的经验 知识水平 3.机器学习发展的原动力是 从历史数据找规律用到对未来自动做决定 用数据代替expert【业务逻辑】 经济驱动，数据变现 4.业务系统发展的历史：基于专家经验->基于统计（离线学习）->机器学习（在线学习） 5.典型应用：关联规则 算法 【啤酒和纸尿裤】 6.用户细分精准营销：聚类 算法 【神州大众卡，全球通，神州行，动感地带。。。】 7.垃圾邮件：朴素贝叶斯 算法 8.信用卡欺诈：决策树 9.互联网广告：ctr预估【预测点击率进行排序】 10.推荐系统：协同过滤 11.自然语言处理 情感分析，实体识别 12.图像识别：深度学习 13.更多应用：语音识别，个性化医疗，智慧机器人，私人虚拟助理，手势控制，人脸识别，自动驾驶，视频内容自动识别，机器实时翻译查看全部
-
关联营销 细分用户类查看全部
-
数据分析与机器学习解决的业务问题不同查看全部
-
机器学习的算法查看全部
-
机器学习查看全部
-
用户的行为数据查看全部
-
数据作为算法的输入查看全部
-
机器学习算法查看全部
举报
0/150
提交
取消