-
机器学习和数据分析
查看全部 -
自然语言处理： 情感分析
实体识别
图像识别： 深度学习
查看全部 -
互联网广告：ctr预估
推荐系统：协同过滤
查看全部 -
垃圾邮件：朴素贝叶斯
信用卡欺诈：决策树
查看全部 -
用户细分精准营销：聚类（根据消费记录得出消费特征进行用户分类）
查看全部 -
机器学习典型应用：
购物篮分析：关联规则（典型数据挖掘算法）
查看全部 -
机器学习使用场景：离线 批处理
在线学习---电商、搜索
查看全部 -
机器学习发展
查看全部 -
机器学习：利用计算机从历史数据中找到规律，并把这些规律用到对未来不确定场景的决策。
查看全部 -
解決問題框架
查看全部 -
机器学习
《概率论》、《数据统计》
统计学受限于运算能力的限制，
统计学依赖于采样的数据，需要验证结论
观察数据：上下波动、总体上升
且模型刻画规律， 函数-》公式
-----------------------------------------
机器学习发展的原动力：
经济驱动，数据变现
-----
业务系统发展的历史：
基于专家经验
基于统计--分纬度统计
机器学习--在线学习（电商、搜索 实时学习、分析、推荐）
离线机器学习（不实时）
------
机器学习的典型应用：
购物篮分析：
算法是：关联规则（典型的数据挖掘的算法）
用户细分精准营销：
聚类
垃圾邮件识别：
朴素贝尔斯
信用卡欺诈：
决策树
互联网广告：
ctr预估(点击率的预估)
推荐系统：
协同过滤。
-------
典型应用自然语言处理和图像识别
自然语言处理：
情感分析、
实体识别
图像识别：
深度学习
语音识别
个性化医疗、自动驾驶、智慧机器人、
机器学习无处不在
------------
机器学习和数据分析的区别
传统：交易数据、少量数据、采样分析
现：行为数据、海量数据、全量分析（no sql 只能处理行为数据）
区别2：
传统：报告解决历史事情、
现：预测未来
技术手段不同：
传统：用户驱动、交互式分析
现：数据驱动、自动进行知识发现
参与者不同：
数据分析：分析师
机器学习：数据+算法
目标用户：
数据分析：公司高层
机器学习：个体
------------------
机器学习算法分类：
算法分类：
有监督学习：分类算法、回归算法
无监督学习：聚类
半监督学习（强化学习算法）：
算法分类2：
分类与回归
聚类
标注
算法分类3：
生成模型
判别模型机器学习常见算法一览
(大部分的人脸识别是通过 adaboost 算出来的，是决策树的改进版。apriori基本被淘汰，FP-Growth是它的升级版，是一个美籍华人发明出来的、)
百度搜索的排序就是用的 “逻辑回归”的算法
推荐算法：各大电商网站的标配LDA是用途文本分析的。
------
机器学习解决问题：
总的框架：（公用的思想）
确定目标
业务需求、
数据、
特征工程（投入70%）训练模型：
定义模型、
定义损失函数、
优化算法模型评估：
交叉验证、
效果评估查看全部 -
业务需求——>数据——>特征工程
查看全部 -
*定义损失函数
*优化算法
查看全部 -
统计学习——SVM
集装与推进——Adaboost（人脸识别）
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
查看全部
举报