-
用戶精準營銷-用戶細分（聚類）查看全部
-
機器學習的典型應用 -購物籃分析（關聯(lián)規(guī)則）查看全部
-
機器學習1.離線機器學習 2.在線機器學習（實時）查看全部
-
業(yè)務系統(tǒng)發(fā)展的歷史 基于專家經驗（頭腦風暴。。然后交給程序員寫iferlse） 基于統(tǒng)計-分緯度統(tǒng)計（依靠業(yè)務報表，數據倉庫，olap統(tǒng)計） 機器學習-在線學習查看全部
-
從歷史數據中找出規(guī)律，把這些規(guī)律用到對未來自動作出決定，用數據代替expert。查看全部
-
統(tǒng)計學：受限于運算能力 抽樣-描述統(tǒng)計-結果-假設檢驗查看全部
-
C4.5+CART(有監(jiān)督+決策樹算法：可以解決分類和回歸問題) K-Means（聚類算法-無監(jiān)督） SVM（統(tǒng)計學習+分類問題+完整的數學理論） FP-Growth:關聯(lián)分析 AdaBoost（決策樹，用于人臉識別） EM（統(tǒng)計學習-總的框架）查看全部
-
機器學習常見算法： 1.FP-Growth 2.邏輯回歸 3.RF、GBDT 4.推薦算法 5.LDA 6.Word2Vector 7.HMM、CRF 8.深度學習查看全部
-
關聯(lián)算法查看全部
-
訓練模型： 定義模型-訓練損失函數-優(yōu)化函數 模型評估： 交叉驗證-效果評估查看全部
-
機器學習解決問題的框架 1）預測問題： 1.1分類：離散型變量 1.2回歸：連續(xù)性變量 2）聚類問題： 3）確定目標： 業(yè)務需求-數據-特征工程（數據預處理，70%，最重要）查看全部
-
C4.5+CART(有監(jiān)督+決策樹算法：可以解決分類和回歸問題) K-Means（聚類算法-無監(jiān)督） SVM（統(tǒng)計學習+分類問題+完整的數學理論） FP-Growth:關聯(lián)分析 AdaBoost（決策樹，用于人臉識別） EM（統(tǒng)計學習-總的框架）查看全部
-
機器學習算法分類 1）有監(jiān)督學習：分類算法+回歸算法 無監(jiān)督學習：聚類 半監(jiān)督學習：強化學習 2）分類與回歸+聚類+標注 3）均針對分類問題： 生成模型---陪審團（概率性的結果） 判別模型---大法官（肯定性的結果）查看全部
-
機器學習與數據分析的區(qū)別 1）解決業(yè)務問題不同 機器學習：未來的預測 數據分析：歷史的分析 2）技術手段不同 機器學習：算法+數據驅動 數據分析：用戶驅動查看全部
-
機器學習和數據分析的區(qū)別： 數據特點： 1）交易數據（數據一致性要求高（一定是關系型數據庫））vs行為數據（可以是no SQL） 2）少量數據vs海量數據 3）采樣分析vs全量分析查看全部
舉報
0/150
提交
取消