-
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。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
-
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
-
1、宝贝关联营销 购物篮分析：看看在订单中有哪些商品是被同时购买的。所用到的算法---关联规则查看全部
-
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
-
原动力： 归功于大数据，大量的无用数据造成浪费，因此发展起机器学习查看全部
-
统计学受限于计算能力，依赖于采样的方法，再反作用于原来的数据。步骤：抽样-->描述统计-->结论-->假设检验。 现在无需考虑数据量的问题，无需抽样技术，直接全样。可利用可视化技术来观察数据。要进行数据分析，需要先进行量化，用模型拟合规律，函数-->函数曲线-->拟合。高纬度时很难用可视化的方法，只能用数学运算。查看全部
-
机器学习算法分类查看全部
-
机器学习： 利用计算机从历史数据中找到规律，并把这些规律用到对未来不确定场景的决策。 判断、决策 主体的不同：计算机--机器学习、人--数据分析。数据分析是依靠人从历史数据中找到规，学习效果很大程度以来于人的经验与知识水平，机器学习就是想要抛弃对人的依赖，靠机器来挖掘规律。 数据：机器学习只是解决问题的框架、算法，需要数据，数据量越大越准确。 规律：通过机器学习不同的算法去找规律，不同的算法结果不同。查看全部
-
AGENDA查看全部
-
机器学习和数据分析的区别查看全部
-
算法一览查看全部
举报
0/150
提交
取消