-
區別
查看全部 -
區別
查看全部 -
機器學習的應用領域
查看全部 -
機器學習的應用領域
查看全部 -
機器學習
數據分析與機器學習的概念的異同
算法
框架
查看全部 -
機器學習大致框架-思路
查看全部 -
算法分類3（模型的本質）
生成模型：更有可能的是什么。
判別模型：是什么不是什么。查看全部 -
第7章 圖片識別demo演示
7-1機器學習—圖片識別demo演示
圖片按照色彩聚類
圖片轉換為若干數字組成的向量
查看全部 -
6-2機器學習解決問題（2）
訓練模型
? 定義模型
? 定義損失函數? 找偏差最小的一個函數? 針對很大的數據集來說
? 優化算法? 出發點就是為了讓損失函數取最小
模型評估
? 交叉驗證??將不同的算法帶入同一類數據中，驗證效果
? 效果評估? 根據標準可以看出幾個算法之間具體的差別、效果
查看全部 -
第六章 解決問題
6-1機器學習解決問題（1）
預測問題：1.所屬分類? 2.數值? ?兩種的本質區別是預測的Y是連續型還是離散型的數值變量
聚類問題
機器學習解決問題的框架
確定目標
業務需求
數據
特征工程（很重要）
查看全部 -
5-2機器學習常見算法和分類（2）
查看全部 -
第5章 常見的算法和分類
5-1機器學習常見的算法和分類（1）
算法分類一（根據數據有無標簽Y進行分類）
有監督學習? 訓練數據中已經明確給出了該數據的Y，給數據打上了標簽。如：已對郵件打上了“垃圾郵件”、“正常郵件”的標簽。包括：分類算法、回歸算法
無監督學習? 訓練數據并沒有Y，數據沒有任何標簽。典型算法：聚類。
半監督學習? 強化學習?，數據越多，模型越好。
算法分類二（根據解決問題進行分類）
? ? 1.分類與回歸
? ? 2.聚類
? ? 3.標注
算法分類三（很重要，直指本質）
生成模型? 用來說明分類問題。返回的是數據屬于各個類的概率。
判別模型? 用來說明分類問題。直接給一個函數，數據輸入到函數中，直接返回類別。
? ? ?
查看全部 -
4-2 區別（2）
解決業務問題不同：數據分析（報告過去的事）
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?機器學習（預測未來的事）
技術手段不同：分析方法方面：數據分析采用用戶（數據分析師）驅動 交互式分析
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 機器學習采用數據驅動 自動進行知識發現
參與者不同：數據分析參與者為分析師以及數據和算法? 分析師能力決定結果? ?目標用戶公司高層
? ? ? ? ? ? ? ? ? ? ?機器學習由算法決定? 差距并不大? ?數據質量決定結果? ? ? ? ? 目標用戶個體
查看全部 -
第4章 數據分析和機器學習的區別
4-1 區別（1）
數據特點：傳統的數據分析處理的是交易數據（和錢有關的數據） 少量數據? ?對數據的一致性非常嚴格
? ? ? ? ? ? ? ? ?采樣分析
? ? ? ? ? ? ? ? ?機器學習處理的是行為數據（與用戶的歷史行為有關） 海量數據? 對數據一致性要求并不高?
? ? ? ? ? ? ? ? ?全量分析
查看全部 -
3-5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：深度識別
查看全部
舉報