-
用户精准营销-用户细分（聚类）查看全部
-
机器学习的典型应用 -购物篮分析（关联规则）查看全部
-
机器学习1.离线机器学习 2.在线机器学习（实时）查看全部
-
业务系统发展的历史 基于专家经验（头脑风暴。。然后交给程序员写iferlse） 基于统计-分纬度统计（依靠业务报表，数据仓库，olap统计） 机器学习-在线学习查看全部
-
从历史数据中找出规律，把这些规律用到对未来自动作出决定，用数据代替expert。查看全部
-
统计学：受限于运算能力 抽样-描述统计-结果-假设检验查看全部
-
C4.5+CART(有监督+决策树算法：可以解决分类和回归问题) K-Means（聚类算法-无监督） SVM（统计学习+分类问题+完整的数学理论） FP-Growth:关联分析 AdaBoost（决策树，用于人脸识别） EM（统计学习-总的框架）查看全部
-
机器学习常见算法： 1.FP-Growth 2.逻辑回归 3.RF、GBDT 4.推荐算法 5.LDA 6.Word2Vector 7.HMM、CRF 8.深度学习查看全部
-
关联算法查看全部
-
训练模型： 定义模型-训练损失函数-优化函数 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 1）预测问题： 1.1分类：离散型变量 1.2回归：连续性变量 2）聚类问题： 3）确定目标： 业务需求-数据-特征工程（数据预处理，70%，最重要）查看全部
-
C4.5+CART(有监督+决策树算法：可以解决分类和回归问题) K-Means（聚类算法-无监督） SVM（统计学习+分类问题+完整的数学理论） FP-Growth:关联分析 AdaBoost（决策树，用于人脸识别） EM（统计学习-总的框架）查看全部
-
机器学习算法分类 1）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：强化学习 2）分类与回归+聚类+标注 3）均针对分类问题： 生成模型---陪审团（概率性的结果） 判别模型---大法官（肯定性的结果）查看全部
-
机器学习与数据分析的区别 1）解决业务问题不同 机器学习：未来的预测 数据分析：历史的分析 2）技术手段不同 机器学习：算法+数据驱动 数据分析：用户驱动查看全部
-
机器学习和数据分析的区别： 数据特点： 1）交易数据（数据一致性要求高（一定是关系型数据库））vs行为数据（可以是no SQL） 2）少量数据vs海量数据 3）采样分析vs全量分析查看全部
举报
0/150
提交
取消