-
先有一个业务需求，然后是数据收集，最后是特征工程，特征工程工作量大概占70%（数据转换和数据清洗），相对于算法提升更容易提高最后成果的质量
查看全部 -
机器学习：数据质量决定结果，不同算法不会造成太大的偏差，目标用户是个体客户。
数据分析：数据分析师的能力及经验决定质量，目标用户是公司高层。
查看全部 -
什么是机器学习查看全部
-
常见算法一览
查看全部 -
常见算法列表
查看全部 -
在线机器学习
查看全部 -
特征工程：将文字文本图片转化为向量形式
特征工程转化之后，做聚类
查看全部 -
数据挖掘：关联规则(关联算法)
案例：啤酒+纸尿裤
查看全部 -
1. 机器学习的典型应用
关联规则（啤酒+尿片）
聚类（全球通，动感地带，神州行）
朴素贝叶斯（垃圾邮件）
决策树（信用卡欺诈）
CTR 预估（互联网广告）
协同过滤（推荐系统）
自然语言处理（情感分析，实体识别）
图像识别（深度学习）
更多应用……
2. 数据分析和机器学习的区别
(1) 从数据角度
交易数据 vs 行为数据
交易数据：银行存取款账单；电商用户订单；电信运营商花费账单
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
采样分析 vs 全量分析
(2) 从解决业务问题角度
报告过去的事情 vs 预测未来的事情
(3) 从技术手段角度
用户驱动，交互式分析 vs 数据驱动，自动进行知识发现
(4) 从参与者角度
分析师 vs 数据+算法
3. 机器学习算法分类
分类一
监督学习：分类算法（Y类：垃圾邮件，Y值已知；X类：正常邮件），回归算法
无监督学习：聚类（Y值未知）
半监督学习：小孩子学走路（Y值逐渐强化）
分类二：
分类与回归
聚类
标注：我在 努力地（副词）学习（动词）《机器学习》（名词）
分类三（重要）：
生成模型
判别模型
查看全部 -
机器学习找规律查看全部
-
机器学习定义：
利用计算机从历史数据钟找出规律，并把这些规律用到对未来不确定场景的决策。
查看全部 -
分类算法同时也是回归算法？
！！SVM算法
AdaBoost
Naive Bayes
查看全部 -
机器学习常见算法：
查看全部 -
算法分类：有没有Y值
有监督学习:（有）训练数据被提前打好了标签。典型的就有分类算法和回归算法。
无监督学习：（没有）聚类算法。
半监督学习 ：强化学习。
算法分类：根据要解决的问题进行分类。
分类与回归
聚类
标注
算法分类：算法的本质分类。
生成模型
判别模型
查看全部 -
机器学习解决问题的框架：
训练模型：定义模型、定义损失函数、优化算法、模型评估、效果评估
查看全部
举报