-
1，10是決策樹，解決分類或回歸 2.重要，無監(jiān)督 3.主要解決分類，svm，過程基于數(shù)學(xué)，統(tǒng)計(jì)學(xué)理論，無論表現(xiàn)還是解釋都很好?？赡苊嬖嚬贂?huì)考推導(dǎo) 4.已淘汰，代價(jià)高，由fp-growth代替，掃描數(shù)據(jù)庫次數(shù)較少 5.比較抽象的總的算法框架 6.谷歌運(yùn)用 7.人臉識(shí)別，決策樹的改進(jìn)版 8.簡單的分類 9.垃圾識(shí)別 1.4.10現(xiàn)在不用了查看全部
-
算法分類1：根據(jù)數(shù)據(jù)有無標(biāo)簽Y進(jìn)行分類 對樣本數(shù)據(jù)進(jìn)行一些訓(xùn)練，得到模型，通過模型判斷X與Y的關(guān)系。 有監(jiān)督學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中已經(jīng)明確給出了該數(shù)據(jù)的Y，給數(shù)據(jù)打上了標(biāo)簽。如：已對郵件打上了“垃圾郵件”、“正常郵件”的標(biāo)簽。包括：分類算法、回歸算法。 無監(jiān)督學(xué)習(xí)：訓(xùn)練數(shù)據(jù)并沒有Y，數(shù)據(jù)沒有任何標(biāo)簽。典型算法：聚類。 半監(jiān)督學(xué)習(xí)：也叫強(qiáng)化學(xué)習(xí)，數(shù)據(jù)越多，模型越好。 算法分類2：根據(jù)解決問題進(jìn)行分類 分類與回歸、聚類、標(biāo)注 算法分類3（重要，直指本質(zhì)） 生成模型：用來說明分類問題。返回的是屬于各個(gè)類的概率。 判別模型：用來說明分類問題。直接給一個(gè)函數(shù)，數(shù)據(jù)輸入到函數(shù)中，直接返回類別。查看全部
-
2、解決業(yè)務(wù)問題不同 數(shù)據(jù)分析，報(bào)告歷史上發(fā)生的事情。 機(jī)器學(xué)習(xí)：通過歷史上發(fā)生的事情，來預(yù)測未來的事情。 3、技術(shù)手段不同 數(shù)據(jù)分析：分析方式是用戶（數(shù)據(jù)分析師）驅(qū)動(dòng)的，交互式分析。分析能力受限于數(shù)據(jù)分析師的能力，數(shù)據(jù)屬性和維度很有限。 機(jī)器學(xué)習(xí)：分析方式是數(shù)據(jù)驅(qū)動(dòng)的，自動(dòng)進(jìn)行知識(shí)發(fā)現(xiàn)。數(shù)據(jù)屬性和維度數(shù)量級很大。 4、參與者不同 數(shù)據(jù)分析，分析師能力決定結(jié)果，目標(biāo)用戶是公司高層。 機(jī)器學(xué)習(xí)，數(shù)據(jù)質(zhì)量決定結(jié)果，目標(biāo)用戶是個(gè)體。查看全部
-
1、數(shù)據(jù)特點(diǎn) ①交易數(shù)據(jù)vs行為數(shù)據(jù) 數(shù)據(jù)分析處理的是交易數(shù)據(jù)，機(jī)器學(xué)習(xí)處理的是行為數(shù)據(jù)。 交易數(shù)據(jù)：存取款賬單、用戶訂單、話費(fèi)賬單...與錢有關(guān)的數(shù)據(jù)。對數(shù)據(jù)一致性要求很高，應(yīng)該放在關(guān)系型數(shù)據(jù)庫中。 行為數(shù)據(jù)：搜索歷史、點(diǎn)擊歷史、瀏覽歷史、評論...對數(shù)據(jù)一致性要求不是很高，放在NoSQL數(shù)據(jù)庫中。 ②少量數(shù)據(jù)vs海量數(shù)據(jù) ③采樣分析vs全量分析 NoSQL：只能處理行為數(shù)據(jù)，不能處理交易數(shù)據(jù)。強(qiáng)調(diào)分布式、CAP，保證數(shù)據(jù)吞吐量的前提下，在數(shù)據(jù)的一致性上打折扣。查看全部
-
機(jī)器學(xué)習(xí)和數(shù)據(jù)分析的區(qū)別 數(shù)據(jù)特點(diǎn)： 交易數(shù)據(jù)：錢 vs 行為數(shù)據(jù)：搜索歷史，點(diǎn)擊歷史，瀏覽歷史，評論 少量數(shù)據(jù) vs 海量數(shù)據(jù) 采量數(shù)據(jù) vs 全量數(shù)據(jù) Not only SQL ：處理行為數(shù)據(jù)（分布式）查看全部
-
什么是機(jī)器學(xué)習(xí)？ 利用計(jì)算機(jī)從歷史數(shù)據(jù)中找出規(guī)律；并把這些規(guī)律用到對未來不定場景的決策 機(jī)器學(xué)習(xí)的典型應(yīng)用 關(guān)聯(lián)規(guī)則：啤酒+紙尿片，購物籃分析 聚類：用戶細(xì)分精準(zhǔn)營銷 樸素貝葉斯：垃圾郵件檢測 決策樹：風(fēng)險(xiǎn)識(shí)別 ctr預(yù)估：互聯(lián)網(wǎng)廣告：百度的前多少個(gè)詞條（商業(yè)廣告）（按照點(diǎn)擊率排序） 協(xié)同過濾：推薦系統(tǒng)（淘寶購物車推薦） 自然語言處理：情感分析（對文本抓關(guān)鍵情感詞），實(shí)體識(shí)別（提取文本主要數(shù)據(jù)，人名等） 深度學(xué)習(xí):圖像識(shí)別 更多應(yīng)用：語音識(shí)別，人臉識(shí)別，手勢控制，智慧機(jī)器人，實(shí)時(shí)翻譯查看全部
-
7、自然語言處理（比機(jī)器學(xué)習(xí)高一個(gè)臺(tái)階） 情感分析、實(shí)體識(shí)別 8、圖像識(shí)別 深度學(xué)習(xí) 利用計(jì)算機(jī)從歷史數(shù)據(jù)中找出規(guī)律；并把這些規(guī)律用到對未來不定場景的決策 機(jī)器學(xué)習(xí)的典型應(yīng)用 關(guān)聯(lián)規(guī)則：啤酒+紙尿片，購物籃分析 聚類：用戶細(xì)分精準(zhǔn)營銷 樸素貝葉斯：垃圾郵件檢測 決策樹：風(fēng)險(xiǎn)識(shí)別 ctr預(yù)估：互聯(lián)網(wǎng)廣告：百度的前多少個(gè)詞條（商業(yè)廣告）（按照點(diǎn)擊率排序） 協(xié)同過濾：推薦系統(tǒng)（淘寶購物車推薦） 自然語言處理：情感分析（對文本抓關(guān)鍵情感詞），實(shí)體識(shí)別（提取文本主要數(shù)據(jù)，人名等） 深度學(xué)習(xí):圖像識(shí)別查看全部
-
5、互聯(lián)網(wǎng)廣告 CTR預(yù)估算法：點(diǎn)擊率的預(yù)估 6、推薦系統(tǒng)（類似于購物籃分析） 協(xié)同過濾算法，電商的推薦查看全部
-
3、垃圾郵件識(shí)別 樸素貝葉斯算法 4、信用卡欺詐 風(fēng)險(xiǎn)識(shí)別、欺詐識(shí)別。決策樹算法查看全部
-
2、用戶細(xì)分精確營銷 把用戶消費(fèi)的數(shù)據(jù)利用聚類算法，可以根據(jù)用戶信息，自動(dòng)對用戶進(jìn)行分類查看全部
-
關(guān)聯(lián)規(guī)則 -- 購買物品同時(shí)買了其他什么物品。 聯(lián)想連接 找出規(guī)律 紙尿布和啤酒的故事（數(shù)據(jù)挖掘）查看全部
-
歷史： 1、基于專家經(jīng)驗(yàn) 2、基于統(tǒng)計(jì)---分維度統(tǒng)計(jì)。數(shù)據(jù)分析，受限于數(shù)據(jù)分析人員的經(jīng)驗(yàn) 3、機(jī)器學(xué)習(xí)： 模式①離線機(jī)器學(xué)習(xí)，每天定時(shí)更新生成一個(gè)新的模型，但是如果出現(xiàn)異常狀況時(shí)，在定時(shí)更新前就沒法給出正確的模型；②在線機(jī)器學(xué)習(xí)，實(shí)時(shí)更新調(diào)整模型。查看全部
-
《概率論》《數(shù)據(jù)統(tǒng)計(jì)》是機(jī)器學(xué)習(xí)的基石查看全部
-
機(jī)器學(xué)習(xí)常見算法查看全部
-
6、看框架查看全部
舉報(bào)
0/150
提交
取消