-
1，10是决策树，解决分类或回归 2.重要，无监督 3.主要解决分类，svm，过程基于数学，统计学理论，无论表现还是解释都很好。可能面试官会考推导 4.已淘汰，代价高，由fp-growth代替，扫描数据库次数较少 5.比较抽象的总的算法框架 6.谷歌运用 7.人脸识别，决策树的改进版 8.简单的分类 9.垃圾识别 1.4.10现在不用了查看全部
-
算法分类1：根据数据有无标签Y进行分类 对样本数据进行一些训练，得到模型，通过模型判断X与Y的关系。 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：也叫强化学习，数据越多，模型越好。 算法分类2：根据解决问题进行分类 分类与回归、聚类、标注 算法分类3（重要，直指本质） 生成模型：用来说明分类问题。返回的是属于各个类的概率。 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
-
2、解决业务问题不同 数据分析，报告历史上发生的事情。 机器学习：通过历史上发生的事情，来预测未来的事情。 3、技术手段不同 数据分析：分析方式是用户（数据分析师）驱动的，交互式分析。分析能力受限于数据分析师的能力，数据属性和维度很有限。 机器学习：分析方式是数据驱动的，自动进行知识发现。数据属性和维度数量级很大。 4、参与者不同 数据分析，分析师能力决定结果，目标用户是公司高层。 机器学习，数据质量决定结果，目标用户是个体。查看全部
-
1、数据特点 ①交易数据vs行为数据 数据分析处理的是交易数据，机器学习处理的是行为数据。 交易数据：存取款账单、用户订单、话费账单...与钱有关的数据。对数据一致性要求很高，应该放在关系型数据库中。 行为数据：搜索历史、点击历史、浏览历史、评论...对数据一致性要求不是很高，放在NoSQL数据库中。 ②少量数据vs海量数据 ③采样分析vs全量分析 NoSQL：只能处理行为数据，不能处理交易数据。强调分布式、CAP，保证数据吞吐量的前提下，在数据的一致性上打折扣。查看全部
-
机器学习和数据分析的区别 数据特点： 交易数据：钱 vs 行为数据：搜索历史，点击历史，浏览历史，评论 少量数据 vs 海量数据 采量数据 vs 全量数据 Not only SQL ：处理行为数据（分布式）查看全部
-
什么是机器学习？ 利用计算机从历史数据中找出规律；并把这些规律用到对未来不定场景的决策 机器学习的典型应用 关联规则：啤酒+纸尿片，购物篮分析 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：百度的前多少个词条（商业广告）（按照点击率排序） 协同过滤：推荐系统（淘宝购物车推荐） 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 更多应用：语音识别，人脸识别，手势控制，智慧机器人，实时翻译查看全部
-
7、自然语言处理（比机器学习高一个台阶） 情感分析、实体识别 8、图像识别 深度学习 利用计算机从历史数据中找出规律；并把这些规律用到对未来不定场景的决策 机器学习的典型应用 关联规则：啤酒+纸尿片，购物篮分析 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：百度的前多少个词条（商业广告）（按照点击率排序） 协同过滤：推荐系统（淘宝购物车推荐） 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
-
5、互联网广告 CTR预估算法：点击率的预估 6、推荐系统（类似于购物篮分析） 协同过滤算法，电商的推荐查看全部
-
3、垃圾邮件识别 朴素贝叶斯算法 4、信用卡欺诈 风险识别、欺诈识别。决策树算法查看全部
-
2、用户细分精确营销 把用户消费的数据利用聚类算法，可以根据用户信息，自动对用户进行分类查看全部
-
关联规则 -- 购买物品同时买了其他什么物品。 联想连接 找出规律 纸尿布和啤酒的故事（数据挖掘）查看全部
-
历史： 1、基于专家经验 2、基于统计---分维度统计。数据分析，受限于数据分析人员的经验 3、机器学习： 模式①离线机器学习，每天定时更新生成一个新的模型，但是如果出现异常状况时，在定时更新前就没法给出正确的模型；②在线机器学习，实时更新调整模型。查看全部
-
《概率论》《数据统计》是机器学习的基石查看全部
-
机器学习常见算法查看全部
-
6、看框架查看全部
举报
0/150
提交
取消