-
机器学习领域查看全部
-
机器学习，预测问题（类别-离散 ，数值 -连续），聚类问题 确定目标：业务需求，数据，特征工程（数据预处理，提取特征 70%-数据的提取非常重要），数据可以直接就喂给算法，数据对模型的影响非常大，数据决定了最终的预测结果查看全部
-
TP-Growth，只需要对数据库进行两次访问，属于关联分析（Apriori 目前普遍不适用） AdaBoost, 人脸识别问题主要应用 逻辑回归：搜索排序 RF、GBDT： （RF）随机森林 推荐算法：电商网站主要使用对用户进行推荐 LDA：文本分析 Word2Vector：谷歌，文本挖掘 HMM 、CRF：文本挖掘 深度学习：图象识别查看全部
-
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（训练数据没有y值-聚类），半监督学习（强化学习，随样本增多数据结果越理想） -----分类与回归 聚类 标注（文本切词，给每一个文本添加标签） ------生成模型 判别模型————重点 -------------主要用于分类问题，生成模型用于解决分类问题的概率，判别模型直接出----------------结果非1即2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，根据图片解析图片的内容查看全部
-
互联网广告——ctr预估，用户点击率的评估，线性的逻辑回归 推荐系统——协同过滤查看全部
-
用户细分精准营销 ——聚类，全是有计算机进行的分类查看全部
-
训练模型 定义模型 定义损失函数（定义偏差的大小）：评价真实结果与模型的预测结果的相似程度和差异度 优化算法 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 确定目标 业务需求 数据 特征工程（最重要的，数据提取，清洗等）查看全部
-
Apriori濒临淘汰的算法查看全部
-
机器学习算法一览查看全部
-
机器学习算法分类 一、有监督学习（已经打上标签了，即Y已知了） 无监督学习（聚类） 半监督学习（强化学习） 二、分类与回归 聚类 标注（有点像分类，给元素打标签） 三、生成模型 判别模型查看全部
-
机器学习和数据分析的区别 行为数据vs交易数据 海量数据vs少量数据 全量分析vs采样分析 NoSQL:not only SQL NoSQL可用来处理行为数据，分布式数据库查看全部
-
典型应用-互联网广告（如百度广告） ctr预估 线性逻辑回归 -推荐系统 协同过滤查看全部
-
典型应用-信用卡欺诈，决策树查看全部
举报
0/150
提交
取消