-
解決問題的框架： 一：確定目標(biāo) 業(yè)務(wù)需求；知道要做什么。 數(shù)據(jù)；學(xué)習(xí)的基礎(chǔ)。 特征工程；ETL階段。 二：訓(xùn)練模型（重點） 定義模型；確定算法。 定義損失函數(shù)（難）；找出算法的偏差。 優(yōu)化算法（難）；對算法進行優(yōu)化。 三：模型評估 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。查看全部
-
機器學(xué)習(xí)解決 預(yù)測、聚類問題 特征工程---數(shù)據(jù)的預(yù)處理，比如說數(shù)據(jù)清洗，數(shù)據(jù)整合，提取出特征查看全部
-
介紹應(yīng)用場景查看全部
-
AdaBoost人臉識別 Naive Bayes垃圾郵件識別查看全部
-
重要。高級。面試問。 分類方法：（*訓(xùn)練數(shù)據(jù)模型的思想上不一樣） 生成模型---陪審團（概率性的結(jié)果） 判別模型---大法官（肯定性的結(jié)果）查看全部
-
標(biāo)注算法與分類的不同查看全部
-
分類。查看全部
-
有Y.查看全部
-
有監(jiān)督學(xué)習(xí)(有Y) 無監(jiān)督學(xué)習(xí)(無Y)聚類 半監(jiān)督學(xué)習(xí)(可能有Y，隨著樣本數(shù)據(jù)增多，訓(xùn)練得越來越好)(強化學(xué)習(xí))查看全部
-
目標(biāo)用戶查看全部
-
參與者查看全部
-
技術(shù)手段查看全部
-
數(shù)據(jù)分析：回顧歷史 機器學(xué)習(xí)：預(yù)測未來查看全部
-
數(shù)據(jù)分析：主要用于分析關(guān)系型數(shù)據(jù)庫數(shù)據(jù)。 交易數(shù)據(jù)：少量數(shù)據(jù)、采樣分析。使用關(guān)系型數(shù)據(jù)庫sql serve、mysql、oracle 行為數(shù)據(jù)：海量數(shù)據(jù)、全量分析。MongoDB、nosql、分布式數(shù)據(jù)分析平臺Hadoop、Spark查看全部
-
nosql處理行為數(shù)據(jù)、分布式 數(shù)據(jù)一致性不care查看全部
舉報
0/150
提交
取消