第七色在线视频,2021少妇久久久久久久久久,亚洲欧洲精品成人久久av18,亚洲国产精品特色大片观看完整版,孙宇晨将参加特朗普的晚宴

算法分類：

1、監(jiān)督學(xué)習(xí)：分類算法、回歸算法

2、無監(jiān)督學(xué)習(xí)：聚類

3、半監(jiān)督學(xué)習(xí)：主要考慮如何利用少量的標(biāo)注樣本和大量的未標(biāo)注樣本進行訓(xùn)練和分類的問題。主要分為半監(jiān)督分類，半監(jiān)督回歸，半監(jiān)督聚類和半監(jiān)督降維算法。

有監(jiān)督學(xué)習(xí)：

數(shù)據(jù)已被打上標(biāo)簽，通過機器學(xué)習(xí)訓(xùn)練出數(shù)據(jù)模型，如分類算法和回歸算法

No Sql數(shù)據(jù)庫擅長處理行為數(shù)據(jù)

行為數(shù)據(jù)

交易數(shù)據(jù)：

與錢相關(guān)的數(shù)據(jù)，例如電商平臺上的用戶訂單

機器學(xué)習(xí)解決問題的框架3：

交叉驗證：將不同的算法帶入同一類數(shù)據(jù)中，驗證效果

效果評估：可以看出幾個算法之間具體的差別、效果（如ROC、AUC......）

機器學(xué)習(xí)解決問題的框架2：

訓(xùn)練模型

（1）定義模型：確定模型，訓(xùn)練出模型的參數(shù)

（2）定義損失函數(shù)（定義偏差的大?。涸u價真實結(jié)果與模型的預(yù)測結(jié)果的相似程度和差異度。?機器學(xué)習(xí)解決的問題，有時不能得到精確解只能尋找近似解。 偏差最小的函數(shù)，針對很大的數(shù)據(jù)集，就是損失函數(shù)。 讓損失函數(shù)求最小，就是優(yōu)化算法。對于線性回歸模型，計算預(yù)測結(jié)果與實際結(jié)果的差值；對于分類模型，則需要定義自己的損失函數(shù)

（3）優(yōu)化算法：對算法進行優(yōu)化，使損失函數(shù)取極小值，如梯度下降法......

機器學(xué)習(xí)解決問題的框架1：

確定目標(biāo)

（1）確定業(yè)務(wù)需求

（2）完成數(shù)據(jù)收集

（3）完成特征工程（數(shù)據(jù)預(yù)處理，如數(shù)據(jù)清洗，占用70%的時間，最重要）

機器學(xué)習(xí)常見算法2：

（1）邏輯回歸 ：搜索結(jié)果排序?

（2）RF（隨機森林）、GBDT：對決策樹的改進，和AdaBoost類似?

（3）推薦算法：電商網(wǎng)站用于推薦產(chǎn)品

（4）LDA：文本分析、自然語言處理?

（5）Word2Vector（詞向量模型）、HMM（隱馬爾科夫模型）、CRF（條件隨機場）：自然語言處理，文本挖掘?

（6）深度學(xué)習(xí)：圖像識別...

機器學(xué)習(xí)常見算法1（ICDM）：?

（1）C4.5算法（分類）：使用決策樹算法，可以解決分類&回歸問題，有監(jiān)督，不常用，已被淘汰

（2）K-Means算法（聚類）：解決電信用戶分類問題，無監(jiān)督

（3）SVM（支持向量機）（統(tǒng)計學(xué)習(xí)）：可以解決分類（主）和回歸問題，有很好的表現(xiàn)和深厚的數(shù)學(xué)理論支撐。有一定的數(shù)學(xué)門檻，面試中常問?

（4）Apriori算法（關(guān)聯(lián)分析）：應(yīng)用于“尿片和紙尿褲”案例，最早解決了頻繁項集問題。由于需要頻繁訪問數(shù)據(jù)庫，不常用，已被淘汰。取代它的是FP-Growth算法（只需要訪問兩次數(shù)據(jù)庫）。應(yīng)用：電商的推薦系統(tǒng)，但目前有更好的替代方法

（5）EM算法（統(tǒng)計學(xué)習(xí)）：是一個算法框架，用于解決一系列問題

（6）PageRank（連接挖掘）：Google使用的網(wǎng)頁排序算法，很著名

（7）AdaBoosts算法（集裝與推進）：應(yīng)用于人臉識別，本質(zhì)為改進的決策樹算法，有監(jiān)督

（8）kNN（分類）：相對簡單的分類算法，有監(jiān)督?

（9）Naive Bayes樸素貝葉斯算法（分類）：用于識別垃圾郵件?

（10）CART（分類）：使用決策樹算法，可以解決分類&回歸問題，有監(jiān)督，不常用，已被淘汰

算法分類3：

生成模型：把問題分類，告訴你生成哪一類的概率，屬于A類的概率最大不代表其就不能屬于B類

判別模型：給定一個函數(shù)，然后輸入后給出輸出，指定輸出屬于哪一個類別，非一即二。

算法分類2（算法類別上）：
分類與回歸
聚類
標(biāo)注：比如個一段文本中不同的詞打上標(biāo)簽（名詞、動詞、形容詞）

分類與回歸的關(guān)系：

分類：離散型變量

回歸：連續(xù)性變量

分類問題和回歸問題都要根據(jù)訓(xùn)練樣本找到一個實值函數(shù)g(x). 回歸問題的要求是：給定一個新的模式，根據(jù)訓(xùn)練集推斷它所對應(yīng)的輸出y（實數(shù)）是多少。也就是使用y=g(x)來推斷任一輸入x所對應(yīng)的輸出值。分類問題是：給定一個新的模式，根據(jù)訓(xùn)練集推斷它所對應(yīng)的類別（如：+1，-1）。也就是使用y=sign(g(x))來推斷任一輸入x所對應(yīng)的類別。綜上，回歸問題和分類問題的本質(zhì)一樣，不同僅在于他們的輸出的取值范圍不同。分類問題中，輸出只允許取兩個值；而在回歸問題中，輸出可取任意實數(shù)。

算法分類1：

有監(jiān)督學(xué)習(xí)：監(jiān)督學(xué)習(xí)算法有數(shù)據(jù)、要建模，輸出標(biāo)簽，是在“老師”監(jiān)督下進行學(xué)習(xí)，有規(guī)則才有預(yù)判。如分類算法、回歸算法，訓(xùn)練樣本中包括預(yù)先設(shè)定的標(biāo)簽（label），事先告知其類別再進行訓(xùn)練

無監(jiān)督學(xué)習(xí)：有數(shù)據(jù)，不需要實現(xiàn)建模，輸出歸類，利用輸入的無標(biāo)記的樣本數(shù)據(jù)來發(fā)現(xiàn)樣本空間的內(nèi)在聯(lián)系和潛在規(guī)律，邊學(xué)習(xí)邊建立規(guī)則，隨時調(diào)整，“更智能”。如聚類算法，訓(xùn)練樣本不含有標(biāo)記信息，只有普通的樣本數(shù)據(jù)，需要根據(jù)樣本數(shù)據(jù)內(nèi)在的聯(lián)系或者特性來劃分樣本空間

半監(jiān)督學(xué)習(xí)：開始訓(xùn)練時提供標(biāo)簽，隨著大量訓(xùn)練數(shù)據(jù)的不斷輸入，來完善結(jié)果，即強化學(xué)習(xí)

機器學(xué)習(xí)和數(shù)據(jù)分析的區(qū)別4：參與者不同

數(shù)據(jù)分析師的能力決定結(jié)果，目標(biāo)用戶在于公司高層

數(shù)據(jù)的質(zhì)量和具體算法決定結(jié)果，目標(biāo)用戶在于個體

機器學(xué)習(xí)和數(shù)據(jù)分析的區(qū)別3：技術(shù)手段不同

OLAP：聯(lián)機分析處理