-
解决问题的框架： 一：确定目标 业务需求；知道要做什么。 数据；学习的基础。 特征工程；ETL阶段。 二：训练模型（重点） 定义模型；确定算法。 定义损失函数（难）；找出算法的偏差。 优化算法（难）；对算法进行优化。 三：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；可以看出几个算法之间具体的差别、效果。查看全部
-
机器学习解决 预测、聚类问题 特征工程---数据的预处理，比如说数据清洗，数据整合，提取出特征查看全部
-
介绍应用场景查看全部
-
AdaBoost人脸识别 Naive Bayes垃圾邮件识别查看全部
-
重要。高级。面试问。 分类方法：（*训练数据模型的思想上不一样） 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
-
标注算法与分类的不同查看全部
-
分类。查看全部
-
有Y.查看全部
-
有监督学习(有Y) 无监督学习(无Y)聚类 半监督学习(可能有Y，随着样本数据增多，训练得越来越好)(强化学习)查看全部
-
目标用户查看全部
-
参与者查看全部
-
技术手段查看全部
-
数据分析：回顾历史 机器学习：预测未来查看全部
-
数据分析：主要用于分析关系型数据库数据。 交易数据：少量数据、采样分析。使用关系型数据库sql serve、mysql、oracle 行为数据：海量数据、全量分析。MongoDB、nosql、分布式数据分析平台Hadoop、Spark查看全部
-
nosql处理行为数据、分布式 数据一致性不care查看全部
举报
0/150
提交
取消