-
机器离线
学习
查看全部 -
常见算法：FP-Growth LDA 逻辑回归
Word2vector RF.GBDT
推荐算法
查看全部 -
概率论是基石, 统计学去找规律 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； 传统统计：抽样-描述统计-结论-假设检验-推断 求均值 统计学: 抽样, 求均值, 每次结果可能不一样 机器学习: 计算机运算能力已经提高, 可以进行直接运算, 不必抽样 做数据分析要对数据进行量化，才方便计算、比较。
查看全部 -
机器学习常见算法一览
查看全部 -
FP-Growth，关联分析Apriori的改进版，华人发明的。
逻辑回归，推荐，搜索结果的排序。
RF随机森林，梯度提升决策树GBDT，与AdaBoost都属于对决策树的改进。
LDA，文本分析，自然语言处理。
Word2Vector，文本挖掘，最终是一个结果。
HMM隐马尔可夫模型，CRF条件随机场，自然语言处理，文本挖掘。
查看全部 -
各种分类算法
查看全部 -
生成模型：不会明确的告诉结果Y，而是给出可能结果的概率
判别模型：给一个X，返回一个明确的Y。
查看全部 -
机器学习和数据分析的区别：
1）处理数据类型：行为数据（搜索历史、浏览历史等），交易数据（与钱相关，有用户订单，账单等）
2）数据量：海量数据，少量数据
3）分析方法：全量分析，采样分析
查看全部 -
生成模型，告诉你属于各个类的概率，判别模型，像法官直接告诉你结果，有罪还是无罪
查看全部 -
半监督学习，也叫强化学习
查看全部 -
无监督学习，聚类，就是把数据分成哪几类
查看全部 -
有监督学习，数据是有标签的，就是这些数据是什么类型的数据，有分类算法和回归算法等
查看全部 -
机器学习解决问题的框架
一、确定目标
业务需求
数据
特征工程（数据预处理，提取特征，很重要，影响最终产出）
二、训练模型
定义模型（参数）
定义损失函数（预测结果和真实结果之间的差异，关心的是绝对值或者平方等）
优化算法（为了让损失函数取最小）
三、模型评估
交叉验证
效果评估
查看全部 -
机器学习解决问题的框架
一、确定目标
业务需求
数据
特征工程（数据预处理，提取特征，很重要，影响最终产出）
查看全部 -
FP-Growth，关联分析Apriori的改进版，华人发明的。
逻辑回归，推荐，搜索结果的排序。
RF随机森林，梯度提升决策树GBDT，与AdaBoost都属于对决策树的改进。
LDA，文本分析，自然语言处理。
Wod2Vector，文本挖掘，最终是一个结果。
HMM隐马尔可夫模型，CRF条件随机场，自然语言处理，文本挖掘。
查看全部
举报