-
区别
查看全部 -
区别
查看全部 -
机器学习的应用领域
查看全部 -
机器学习的应用领域
查看全部 -
机器学习
数据分析与机器学习的概念的异同
算法
框架
查看全部 -
机器学习大致框架-思路
查看全部 -
算法分类3（模型的本质）
生成模型：更有可能的是什么。
判别模型：是什么不是什么。查看全部 -
第7章 图片识别demo演示
7-1机器学习—图片识别demo演示
图片按照色彩聚类
图片转换为若干数字组成的向量
查看全部 -
6-2机器学习解决问题（2）
训练模型
定义模型
定义损失函数 找偏差最小的一个函数 针对很大的数据集来说
优化算法 出发点就是为了让损失函数取最小
模型评估
交叉验证 将不同的算法带入同一类数据中，验证效果
效果评估 根据标准可以看出几个算法之间具体的差别、效果
查看全部 -
第六章 解决问题
6-1机器学习解决问题（1）
预测问题：1.所属分类 2.数值 两种的本质区别是预测的Y是连续型还是离散型的数值变量
聚类问题
机器学习解决问题的框架
确定目标
业务需求
数据
特征工程（很重要）
查看全部 -
5-2机器学习常见算法和分类（2）
查看全部 -
第5章 常见的算法和分类
5-1机器学习常见的算法和分类（1）
算法分类一（根据数据有无标签Y进行分类）
有监督学习 训练数据中已经明确给出了该数据的Y，给数据打上了标签。如：已对邮件打上了“垃圾邮件”、“正常邮件”的标签。包括：分类算法、回归算法
无监督学习 训练数据并没有Y，数据没有任何标签。典型算法：聚类。
半监督学习 强化学习 ，数据越多，模型越好。
算法分类二（根据解决问题进行分类）
1.分类与回归
2.聚类
3.标注
算法分类三（很重要，直指本质）
生成模型 用来说明分类问题。返回的是数据属于各个类的概率。
判别模型 用来说明分类问题。直接给一个函数，数据输入到函数中，直接返回类别。
查看全部 -
4-2 区别（2）
解决业务问题不同：数据分析（报告过去的事）
机器学习（预测未来的事）
技术手段不同：分析方法方面：数据分析采用用户（数据分析师）驱动 交互式分析
机器学习采用数据驱动 自动进行知识发现
参与者不同：数据分析参与者为分析师以及数据和算法 分析师能力决定结果 目标用户公司高层
机器学习由算法决定 差距并不大 数据质量决定结果 目标用户个体
查看全部 -
第4章 数据分析和机器学习的区别
4-1 区别（1）
数据特点：传统的数据分析处理的是交易数据（和钱有关的数据） 少量数据 对数据的一致性非常严格
采样分析
机器学习处理的是行为数据（与用户的历史行为有关） 海量数据 对数据一致性要求并不高
全量分析
查看全部 -
3-5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：深度识别
查看全部
举报