-
聚类--机器学习的算法=分类查看全部
-
关联规则--啤酒+纸尿裤查看全部
-
机器学习基础：概率论&统计学查看全部
-
机器学习部分算法查看全部
-
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的不确定场景的决策。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
-
image2vector 将图片转变为向量的算法 word2vector 将文本转变为向量的算法查看全部
-
特征工程：将RGB二进制文件转变为机器学习需要的数据格式。 图片存储是通过RGB格式进行的，每一个像素点是由3个数字组成的（红、绿、蓝）。查看全部
-
解决问题：预测问题（分类、数值）、聚类问题。 步骤： 1、确定目标：有业务需求，确定要解决的问题，围绕该问题收集一些数据，对数据进行特征工程（对数据清洗、整合，重要！），根据要解决的问题提取出一些特征。查看全部
-
2、训练模型：针对要解决的问题定义一个模型，再定义损失函数（就是定义预测结果与真实结果怎么去评价两者的相似程度，重点！），优化算法（损失函数取最小值，最终变为求函数极小值的问题。重点！） 损失函数：预测结果与真值存在一定偏差，损失函数定义的就是偏差的大小。很大情况下是求解不到精确解的，一般都是在寻找一个近似解，当近似解不超过损失函数定义的那个偏差时，就可采纳该近似解。 3、模型评估：交叉验证、效果评估查看全部
-
常见算法2查看全部
-
C4.5、CART：属于决策树算法，既可以解决分类问题，也可以解决回归问题。主要解决分类问题。属于有监督算法。很少使用。 K-Means：聚类算法，无监督学习算法。 SVN：主要解决分类问题，最好的分类算法，有完整的数学理论。（重要） Apriori：关联分析算法，淘汰，多次访问数据库代价高。 FP-Grows：Apriori的升级版，只需对数据库进行两遍扫描。 EM：总的算法框架，不针对某一具体问题。 AdaBoost：决策树的改进版，主要用于人脸识别，本质上解决分类问题。属于有监督学习。 kNN：分类算法，有监督学习。与K-Means有点像。 9：垃圾邮件识别。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
-
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
-
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。查看全部
举报
0/150
提交
取消