-
《集体编程智慧》
周志华的《机器学习》
查看全部 -
Python机器学习影印版，东南大学出版社
斯坦福公开课机器学习，在网易公开课上可以找到
《数据挖掘概念与技术》、《机器学习实战》、《人工智能及其应用》、《数据库系统概论》、《算法导论》、《Web数据挖掘》、《 Python标准库》、《thinking in Java》、《Thinking in C++》、《数据结构》等
查看全部 -
常见算法查看全部
-
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 -
机器学习解决问题的框架：
二、训练模型
STEP1：定义模型（形成目标公式）
STEP2：定义损失函数（数学的方式定义预测值与现实值的差异）
STEP3：优化算法（寻找确定损失函数极小值）
三、模型评估（标准）
STEP1：交叉验证
STEP2：效果评估
查看全部 -
机器学习解决问题的框架：
一、目标的确立STEP1：确定目标（业务需求）
STEP2：收集（历史）数据，决定项目质量高度
STEP3：特征工程（清理整合数据，提取特征）结构化，时间占比70%
查看全部 -
机器学习常见算法：
决策树算法（有监督）：解决分类、回归问题；C4.5、kNN（不常用）
聚类：K-Means算法（无监督）
统计学习：SVM算法
关联分析及规则：Apriori（淘汰）——需多次扫描庞大数据库
FP-Growth——仅需两次扫描数据库
链接挖掘：PageRank算法（Google）
集装与推进：AdaBoost（人脸识别）（决策树改进版,有监督学习）（本质上解决分类问题）
逻辑回归：google、百度搜索结果排
推荐算法：产品推荐等
文本分析&挖掘、自然语言处理：LDA、Word2Vector、HMM、CRF
深度学习：图像识别
查看全部 -
机器学习算法分类：
一、算法分类（1）
有监督学习
无监督学习
半监督学习
算法分类（2）（根据解决的问题类型）
1、分类与回归
2、聚类
3、标注（打标签）
算法分类（3）（算法本质）
1、生成模型（进行数据应属类别的概率统计）
2、判别模型（直接进行数据分类）
查看全部 -
二、解决业务问题不同
机器学习：预测未来事件（未来趋势）
数据分析：报告过去事件（历史总结）
三、技术手段、方法不同
机器学习：数据挖掘；数据（算法）驱动；规模大
数据分析：OLAP；用户驱动（企业数据分析师的经验等）；规模小；交互式分析
缺点：受限于分析师的经验，分类的多样化受限制
四、参与（驱动）者不同
机器学习：数据+算法，数据质量决定结果
数据分析：数据分析师，能力&经验决定结果
五、服务用户不同
机器学习：个体用户
数据分析：公司高层
查看全部 -
机器学习和数据分析的区别：
一、数据特点不同（数据类别、数据量、数据分析方法）
机器学习：行为数据（如搜索历史、浏览历史、点击历史、评论等）；海量分析，一致性要求相对不高；全量分析
数据分析：交易数据（与钱相关，如用户订单、存取款账单、话费账单等）少量数据，一致性要求严格（如银行存取款，数据精准）；采样分析
查看全部 -
机器学习两种使用场景 离线学习和在线学习。
离线学习：批处理的方式，对以前的数据进行学习，从而运用到后面的指导中
在线学习：对实时产生的数据进行学习，再对实时得业务进行指导
查看全部 -
利用模型去拟合规律
查看全部 -
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场景得决策
例如预测天气 公司业绩
查看全部 -
机器学习的典型应用：自然语言处理 情感分析 实体识别
图像识别 深度学习
更多应用 ： 语音识别 个性化医疗 情感分析 人脸识别 自动驾驶 智慧型机器人 私人虚拟助理 手势控制 视频内容自动识别
查看全部 -
机器学习的典型应用：互联网广告 ctr预估
推荐系统 协同过滤
查看全部
举报