-
先有一個(gè)業(yè)務(wù)需求，然后是數(shù)據(jù)收集，最后是特征工程，特征工程工作量大概占70%（數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)清洗），相對于算法提升更容易提高最后成果的質(zhì)量
查看全部 -
機(jī)器學(xué)習(xí)：數(shù)據(jù)質(zhì)量決定結(jié)果，不同算法不會造成太大的偏差，目標(biāo)用戶是個(gè)體客戶。
數(shù)據(jù)分析：數(shù)據(jù)分析師的能力及經(jīng)驗(yàn)決定質(zhì)量，目標(biāo)用戶是公司高層。
查看全部 -
什么是機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)
查看全部 -
特征工程：將文字文本圖片轉(zhuǎn)化為向量形式
特征工程轉(zhuǎn)化之后，做聚類
查看全部 -
數(shù)據(jù)挖掘：關(guān)聯(lián)規(guī)則(關(guān)聯(lián)算法)
案例：啤酒+紙尿褲
查看全部 -
1. 機(jī)器學(xué)習(xí)的典型應(yīng)用
????關(guān)聯(lián)規(guī)則（啤酒+尿片）
????聚類（全球通，動(dòng)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(yù)估（互聯(lián)網(wǎng)廣告）
????協(xié)同過濾（推薦系統(tǒng)）
????自然語言處理（情感分析，實(shí)體識別）
????圖像識別（深度學(xué)習(xí)）
????更多應(yīng)用……
2. 數(shù)據(jù)分析和機(jī)器學(xué)習(xí)的區(qū)別
(1) 從數(shù)據(jù)角度
交易數(shù)據(jù) vs 行為數(shù)據(jù)
? 交易數(shù)據(jù)：銀行存取款賬單；電商用戶訂單；電信運(yùn)營商花費(fèi)賬單
? 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)
采樣分析 vs 全量分析
(2) 從解決業(yè)務(wù)問題角度
報(bào)告過去的事情 vs 預(yù)測未來的事情
(3) 從技術(shù)手段角度
? 用戶驅(qū)動(dòng)，交互式分析 vs 數(shù)據(jù)驅(qū)動(dòng)，自動(dòng)進(jìn)行知識發(fā)現(xiàn)
(4) 從參與者角度
? 分析師 vs 數(shù)據(jù)+算法
3. 機(jī)器學(xué)習(xí)算法分類
分類一
監(jiān)督學(xué)習(xí)：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(jiān)督學(xué)習(xí)：聚類（Y值未知）
半監(jiān)督學(xué)習(xí)：小孩子學(xué)走路（Y值逐漸強(qiáng)化）
分類二：
分類與回歸
聚類
標(biāo)注：我在 努力地（副詞）學(xué)習(xí)（動(dòng)詞）《機(jī)器學(xué)習(xí)》（名詞）
分類三（重要）：
生成模型
判別模型
查看全部 -
機(jī)器學(xué)習(xí)找規(guī)律查看全部
-
機(jī)器學(xué)習(xí)定義：
利用計(jì)算機(jī)從歷史數(shù)據(jù)鐘找出規(guī)律，并把這些規(guī)律用到對未來不確定場景的決策。
查看全部 -
分類算法同時(shí)也是回歸算法？
??！SVM算法
AdaBoost
Naive Bayes
查看全部 -
機(jī)器學(xué)習(xí)常見算法：
查看全部 -
算法分類：有沒有Y值
有監(jiān)督學(xué)習(xí):（有）訓(xùn)練數(shù)據(jù)被提前打好了標(biāo)簽。典型的就有分類算法和回歸算法。
無監(jiān)督學(xué)習(xí)：（沒有）聚類算法。
半監(jiān)督學(xué)習(xí) ：強(qiáng)化學(xué)習(xí)。
算法分類：根據(jù)要解決的問題進(jìn)行分類。
分類與回歸
聚類
標(biāo)注
算法分類：算法的本質(zhì)分類。
生成模型
判別模型
查看全部 -
機(jī)器學(xué)習(xí)解決問題的框架：
訓(xùn)練模型：定義模型、定義損失函數(shù)、優(yōu)化算法、模型評估、效果評估
查看全部
舉報(bào)