-
先有一個業務需求，然后是數據收集，最后是特征工程，特征工程工作量大概占70%（數據轉換和數據清洗），相對于算法提升更容易提高最后成果的質量
查看全部 -
機器學習：數據質量決定結果，不同算法不會造成太大的偏差，目標用戶是個體客戶。
數據分析：數據分析師的能力及經驗決定質量，目標用戶是公司高層。
查看全部 -
什么是機器學習查看全部
-
常見算法一覽
查看全部 -
常見算法列表
查看全部 -
在線機器學習
查看全部 -
特征工程：將文字文本圖片轉化為向量形式
特征工程轉化之后，做聚類
查看全部 -
數據挖掘：關聯規則(關聯算法)
案例：啤酒+紙尿褲
查看全部 -
1. 機器學習的典型應用
????關聯規則（啤酒+尿片）
????聚類（全球通，動感地帶，神州行）
????樸素貝葉斯（垃圾郵件）
????決策樹（信用卡欺詐）
????CTR 預估（互聯網廣告）
????協同過濾（推薦系統）
????自然語言處理（情感分析，實體識別）
????圖像識別（深度學習）
????更多應用……
2. 數據分析和機器學習的區別
(1) 從數據角度
交易數據 vs 行為數據
? 交易數據：銀行存取款賬單；電商用戶訂單；電信運營商花費賬單
? 行為數據：搜索歷史，點擊歷史，瀏覽歷史，評論……
少量數據 vs 海量數據
采樣分析 vs 全量分析
(2) 從解決業務問題角度
報告過去的事情 vs 預測未來的事情
(3) 從技術手段角度
? 用戶驅動，交互式分析 vs 數據驅動，自動進行知識發現
(4) 從參與者角度
? 分析師 vs 數據+算法
3. 機器學習算法分類
分類一
監督學習：分類算法（Y類：垃圾郵件，Y值已知；X類：正常郵件），回歸算法
無監督學習：聚類（Y值未知）
半監督學習：小孩子學走路（Y值逐漸強化）
分類二：
分類與回歸
聚類
標注：我在 努力地（副詞）學習（動詞）《機器學習》（名詞）
分類三（重要）：
生成模型
判別模型
查看全部 -
機器學習找規律查看全部
-
機器學習定義：
利用計算機從歷史數據鐘找出規律，并把這些規律用到對未來不確定場景的決策。
查看全部 -
分類算法同時也是回歸算法？
！！SVM算法
AdaBoost
Naive Bayes
查看全部 -
機器學習常見算法：
查看全部 -
算法分類：有沒有Y值
有監督學習:（有）訓練數據被提前打好了標簽。典型的就有分類算法和回歸算法。
無監督學習：（沒有）聚類算法。
半監督學習 ：強化學習。
算法分類：根據要解決的問題進行分類。
分類與回歸
聚類
標注
算法分類：算法的本質分類。
生成模型
判別模型
查看全部 -
機器學習解決問題的框架：
訓練模型：定義模型、定義損失函數、優化算法、模型評估、效果評估
查看全部
舉報