-
机器学习解决问题的框架
特征工程70%时间，把图片、文字转换为若干长度的向量
查看全部 -
C4.5/CART-决策树算法（分类算法）-有监督学习
K-Means-聚类算法-无监督学习
SVM-分类算法（也可解决回归问题）
K-Means也算EM的一种
PageRank —— Google
AdaBoost —— 解决分类问题，大部分人脸识别所用算法，决策树改进版
NaiveBayes —— 垃圾邮件识别，分类算法
FP-Growth —— 华人发明
逻辑回归 —— 百度推荐排序
RF、GBDT —— 决策树算法改进，类似AdaBoost
推荐算法 —— 电商网站标配
LDA —— 文本分析
Word2Vector —— 文本挖掘
深度学习 —— 主要用于图像识别
查看全部 -
机器学习算法分类：
第一种分类方法：有/无/半监督学习
第二种分类方法：分类与回归/聚类/标注
第三种分类方法：生成模型/判别模型
生成模型：%属于A类，%属于B类，%属于C类
判别模型：属于A/B/C类
查看全部 -
noSQL 记录行为数据
SQL 记录交易数据（不可丢失的）
查看全部 -
机器学习算法分类：
第一种分类方法：有/无/半监督学习
第二种分类方法：分类与回归/聚类/标注
第三种分类方法：生成模型/判别模型
查看全部 -
历史与未来
查看全部 -
机器学习就是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 -
训练模型：
查看全部 -
机器学习解决问题
查看全部 -
根据算法本质分类
查看全部 -
无监督学习：聚类
半监督学习
根据解决问题类型分类：2
查看全部 -
算法分类1：有监督学习
查看全部 -
目标用户不同：
数据分析：公司高层
机器学习：个体
查看全部 -
参与者不同：
查看全部 -
解决业务问题不同
数据分析：报告过去的问题 机器学习：预测未来的事情
技术手段不同
查看全部
举报