-
機器學習解決問題的框架
特征工程70%時間，把圖片、文字轉換為若干長度的向量
查看全部 -
C4.5/CART-決策樹算法（分類算法）-有監督學習
K-Means-聚類算法-無監督學習
SVM-分類算法（也可解決回歸問題）
K-Means也算EM的一種
PageRank —— Google
AdaBoost —— 解決分類問題，大部分人臉識別所用算法，決策樹改進版
NaiveBayes —— 垃圾郵件識別，分類算法
FP-Growth —— 華人發明
邏輯回歸 —— 百度推薦排序
RF、GBDT —— 決策樹算法改進，類似AdaBoost
推薦算法 —— 電商網站標配
LDA —— 文本分析
Word2Vector —— 文本挖掘
深度學習 —— 主要用于圖像識別
查看全部 -
機器學習算法分類：
第一種分類方法：有/無/半監督學習
第二種分類方法：分類與回歸/聚類/標注
第三種分類方法：生成模型/判別模型
????生成模型：%屬于A類，%屬于B類，%屬于C類
????判別模型：屬于A/B/C類
查看全部 -
noSQL 記錄行為數據
SQL 記錄交易數據（不可丟失的）
查看全部 -
機器學習算法分類：
第一種分類方法：有/無/半監督學習
第二種分類方法：分類與回歸/聚類/標注
第三種分類方法：生成模型/判別模型
查看全部 -
歷史與未來
查看全部 -
機器學習就是從歷史數據中找出規律，把這些規律用到對未來自動作出決定。機器學習分為監督學習、無監督學習和半監督學習。監督學習又分為分類算法和回歸算法；無監督學習分為聚類聚和降維，半監督學習即加強學習。
機器學習的應用：識別垃圾郵件、自然語言處理、語音識別、個性化醫療、人臉識別、智慧機器人等。
查看全部 -
訓練模型：
查看全部 -
機器學習解決問題
查看全部 -
根據算法本質分類
查看全部 -
無監督學習：聚類
半監督學習
根據解決問題類型分類：2
查看全部 -
算法分類1：有監督學習
查看全部 -
目標用戶不同：
????數據分析：公司高層
????機器學習：個體
查看全部 -
參與者不同：
查看全部 -
解決業務問題不同????
????????數據分析：報告過去的問題? 機器學習：預測未來的事情
技術手段不同
查看全部
舉報