-
常见算法2查看全部
-
常见算法查看全部
-
基础分类： 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：即强化学习； 重要分类： 生成模型：模糊判断 给出概率 判别模型：判断属于哪个类型 这两种模型的主要区别是思想不同查看全部
-
算法分类3查看全部
-
算法分类2查看全部
-
算法分类查看全部
-
逻辑回归 搜索结果排序。 RF(随机森林)，GBDT 都是对决策树的改进，和AdaBoost类似 推荐算法 电商网站用于推荐产品。 LDA文本分析、自然语言处理。 Word2Vector HMM CRF 文本挖掘。 深度学习 图像识别查看全部
-
常见算法 C4.5 已被淘汰，不常用； K-Means 用于聚类； SVM 数学理论充分，极其重要的算法，用于聚类； Apriori 被新算法FP-Growth和其他推荐算法代替，用于关联分析 EM 有难度，可用于多个方面问题的算法框架，在其他算法中有其身影 pageRank Google的机器学习算法框架 AdaBoost 有名算法，人脸识别，决策树的改进算法，本质是分类算法 kNN 比较简单的分类算法 Naive Bayes 垃圾邮件的识别 CART 现在已经不太常用查看全部
-
基础分类： 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：即强化学习； 重要分类： 生成模型：模糊判断 给出概率 判别模型：判断属于哪个类型 这两种模型的主要区别是思想不同查看全部
-
机 器 学 习 和 数 据 分 析 的 区 别 数 据 分 析： 1、交易数据、少量数据、采样分析。 2、对数据一致性要求严格，使用关系型数据库sql serve、mysql、oracle。 3、报告过去的事情。 4、分析方法：用户驱动，交互式分析。 5、数据分析师的能力决定结果，目标用户在于公司高层。 机 器 学 习： 1、行为数据、海量数据、全量分析。 2、需要保证数据吞吐量，数据一致性可以打折扣，所以用NoSQL数据库（MongoDB、nosql）和分布式数据分析平台（Hadoop、Spark）。 3、预测未来的事情。 4、分析方法：数据驱动，自动进行知识发现。 5、数据的质量和具体算法决定结果，目标用户在于个体。查看全部
-
机器学习和数据分析的区别 数据分析：交易数据、少量数据、采样分析。对数据一致性要求严格，使用关系型数据库sql serve、mysql、oracle。 机器学习：行为数据、海量数据、全量分析。需要保证数据吞吐量，数据一致性可以打折扣，所以用NoSQL数据库（MongoDB、nosql）和分布式数据分析平台（Hadoop、Spark）。查看全部
-
机器学习的典型应用 关联规则：购物篮分析（啤酒+纸尿片） 聚类：用户细分、精准营销 朴素贝叶斯：垃圾邮件检测 决策树：风险识别 ctr预估：互联网广告 协同过滤：推荐系统（相关推荐） 热门的机器学习应用： 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） 深度学习:图像识别查看全部
-
机器学习的主体是机器，数据分析的主体是人； 机器学习是对不确定事件的判断和决策，从历史数据中获得规律（如数学函数和公式等）； 机器学习是算法框架，离不开训练的数据，数据量越大，训练得到的规律就可能越精准。查看全部
-
定义损失函数和优化算法是学习重点。查看全部
-
目前机器学习的重要算法一览：逻辑回归 应用于搜索网站的搜索结果排序逻辑。RF（随机森林）、GBDT。推荐算法 电商网站。 LDA文本分析、自然语言处理。Word2Vector 文本挖掘。查看全部
举报
0/150
提交
取消