-
機器學習和數據分析
查看全部 -
自然語言處理：????情感分析
????????????????????????????實體識別
圖像識別：????深度學習
查看全部 -
互聯網廣告：ctr預估
推薦系統：協同過濾
查看全部 -
垃圾郵件：樸素貝葉斯
信用卡欺詐：決策樹
查看全部 -
用戶細分精準營銷：聚類（根據消費記錄得出消費特征進行用戶分類）
查看全部 -
機器學習典型應用：
????購物籃分析：關聯規則（典型數據挖掘算法）
查看全部 -
機器學習使用場景：離線 批處理????
????????????????????????????????在線學習---電商、搜索
查看全部 -
機器學習發展
查看全部 -
機器學習：利用計算機從歷史數據中找到規律，并把這些規律用到對未來不確定場景的決策。
查看全部 -
解決問題框架
查看全部 -
機器學習
《概率論》、《數據統計》
統計學受限于運算能力的限制，
統計學依賴于采樣的數據，需要驗證結論
觀察數據：上下波動、總體上升
且模型刻畫規律， 函數-》公式
-----------------------------------------
機器學習發展的原動力：
經濟驅動，數據變現
-----
業務系統發展的歷史：
基于專家經驗
基于統計--分緯度統計
機器學習--在線學習（電商、搜索 實時學習、分析、推薦）
離線機器學習（不實時）
------
機器學習的典型應用：
購物籃分析：
算法是：關聯規則（典型的數據挖掘的算法）
用戶細分精準營銷：
聚類
垃圾郵件識別：
樸素貝爾斯
信用卡欺詐：
決策樹
互聯網廣告：
ctr預估(點擊率的預估)
推薦系統：
協同過濾。
-------
典型應用自然語言處理和圖像識別
自然語言處理：
情感分析、
實體識別
圖像識別：
深度學習
語音識別
個性化醫療、自動駕駛、智慧機器人、
機器學習無處不在
------------
機器學習和數據分析的區別
傳統：交易數據、少量數據、采樣分析
現：行為數據、海量數據、全量分析（no sql 只能處理行為數據）
區別2：
傳統：報告解決歷史事情、
現：預測未來
技術手段不同：
傳統：用戶驅動、交互式分析
現：數據驅動、自動進行知識發現
參與者不同：
數據分析：分析師
機器學習：數據+算法
目標用戶：
數據分析：公司高層
機器學習：個體
------------------
機器學習算法分類：
算法分類：
有監督學習：分類算法、回歸算法
無監督學習：聚類
半監督學習（強化學習算法）：
算法分類2：
分類與回歸
聚類
標注
算法分類3：
生成模型
判別模型機器學習常見算法一覽
(大部分的人臉識別是通過 adaboost 算出來的，是決策樹的改進版。apriori基本被淘汰，FP-Growth是它的升級版，是一個美籍華人發明出來的、)
百度搜索的排序就是用的? “邏輯回歸”的算法
推薦算法：各大電商網站的標配LDA是用途文本分析的。
------
機器學習解決問題：
總的框架：（公用的思想）
確定目標
業務需求、
數據、
特征工程（投入70%）訓練模型：
定義模型、
定義損失函數、
優化算法模型評估：
交叉驗證、
效果評估查看全部 -
業務需求——>數據——>特征工程
查看全部 -
*定義損失函數
*優化算法
查看全部 -
統計學習——SVM
集裝與推進——Adaboost（人臉識別）
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
查看全部
舉報