-
机器学习的典型应用：
（1）关联规则：啤酒+纸尿片，购物篮分析
（2）聚类：用户细分精准营销
（3）朴素贝叶斯：垃圾邮件检测
（4）决策树：风险识别
（5）ctr预估：互联网广告：百度的前多少个词条（商业广告）（按照点击率排序）
（6）协同过滤：推荐系统（淘宝购物车推荐）
（7）自然语言处理：情感分析（对文本抓关键情感词），实体识别（提取文本主要数据，人名等）
（8）深度学习：图像识别
（9）更多应用：语音识别，人脸识别，手势控制，智慧机器人，实时翻译
查看全部 -
机器学习的典型应用：
互联网广告 ：百度搜索的广告推广
ctr预估：点击预估，核心为线性逻辑回归
推荐系统：协同过滤算法，例如淘宝 买此产品的人同时购买了。
查看全部 -
机器学习的典型应用：
1.购物篮分析——关联规则
2.用户细分精准营销——聚类
3.垃圾邮件识别——朴素贝叶斯
4.信用卡欺诈——决策树
查看全部 -
机器学习的典型应用：用户细分精准营销
聚类（把用户消费数据拿过来喂给算法）
聚类：用户细分精准营销 用户消费数据喂给算法，计算机运算，人为设置想要分为几类。 分完类后，业务人员总结每类人员共同的消费特征。 对每个类起个品牌的名字。
查看全部 -
机器学习的典型应用：购物篮分析
所谓的购物篮分析就是看在我们的订单中有哪些商品是被同时购买的
用到的算法就是关联规则（实质上是数据挖掘的算法）
查看全部 -
业务系统发展的历史
基于专家经验
基于统计-分维度统计
机器学习=在线学习
离线机器学习：属于批处理的情况
在线机器学习：是来一条数据学习一条
查看全部 -
机器学习发展的原动力：
从历史数据中找出规律，把这些规律用到对未来自动作出决定。
用数据代替expert——业务逻辑
经济驱动，数据变现
查看全部 -
《概率论》《数据统计》是机器学习的基石
传统的统计学，抽取一定量的样本然后 进行概率统计，然后得到结论 之后进行假设检验
传统的统计学受运算能力的限制，所以是用抽样的方式；
而现在计算能力足够强，就不需要采用抽样的方式了。
做数据分析要对数据进行量化，才方便计算、比较。
传统统计：抽样-描述统计-结论-假设检验-推断
机器学习不受计算量的限制，直接跳过抽样
统计学受限于计算能力，依赖于采样的方法，再反作用于原来的数据。步骤：抽样-->描述统计-->结论-->假设检验。
现在无需考虑数据量的问题，无需抽样技术，直接全样。可利用可视化技术来观察数据。要进行数据分析，需要先进行量化，用模型拟合规律，函数-->函数曲线-->拟合。高维度时很难用可视化的方法，只能用数学运算。
查看全部 -
机器学习就是利用计算机从历史数据中找出规律，把这些规律用到对未来自动作出决定。机器学习分为监督学习、无监督学习和半监督学习。监督学习又分为分类算法和回归算法；无监督学习分为聚类聚和降维，半监督学习即加强学习。
机器学习的应用：识别垃圾邮件、自然语言处理、语音识别、个性化医疗、人脸识别、智慧机器人等。
查看全部 -
NOSQL,SQL什么意思
查看全部 -
OLAP--数据挖掘
查看全部 -
交易数据--行为数据
查看全部 -
特征工程：数据清洗 数据转换。占70%的工作量，比较容易出成果的部分。
查看全部 -
机器学习解决问题的框架
查看全部 -
机器学习常见算法一览
查看全部
举报