-
机器学习常见算法查看全部
-
https://github.com/CekerLee/ImageKmeans查看全部
-
数据分析: 1.关联规则,根据消费者购买的商品联想到可能会购买的商品。 2.细分精准营销,判断用户到底想要的是什么。查看全部
-
业务系统的发展史查看全部
-
机器学习无处不在查看全部
-
机器学习解决问题的框架 训练模型: 1、定义模型; 2、定义损失函数; 3、优化算法查看全部
-
机器学习应用查看全部
-
机器学习算法分类: 算法分类 -----有监督学习(分类算法、回归算法),无监督学习(训练数据没有y值-聚类),半监督学习(强化学习,随样本增多数据结果越理想) -----分类与回归 聚类 标注(文本切词,给每一个文本添加标签) ------生成模型 判别模型————重点 -------------主要用于分类问题,生成模型用于解决分类问题的概率,判别模型直接出----------------结果非1即2查看全部
-
聚类————用户群细分和提炼:应用示例:移动的全球通、动感地带等品牌划分查看全部
-
TP-Growth,只需要对数据库进行两次访问,属于关联分析(Apriori 目前普遍不适用) AdaBoost, 人脸识别问题主要应用 逻辑回归:搜索排序 RF、GBDT: (RF)随机森林 推荐算法:电商网站主要使用对用户进行推荐 LDA:文本分析 Word2Vector:谷歌,文本挖掘 HMM 、CRF:文本挖掘 深度学习:图象识别查看全部
-
统计学:受限于运算能力 抽样-描述统计-结果-假设检验查看全部
-
机器学习算法分类 1)有监督学习:分类算法+回归算法 无监督学习:聚类 半监督学习:强化学习 2)分类与回归+聚类+标注 3)均针对分类问题: 生成模型---陪审团(概率性的结果) 判别模型---大法官(肯定性的结果)查看全部
-
确认目标 业务需求 数据 特征工程 举例:滴滴打车 历史数据收集 特征工程占比 大约在百分之70 模型的训练过程中 能做的调成对性能的提升效果不大 特征工程做的好与坏 更重要查看全部
-
机器学习解决 预测、聚类问题 特征工程---数据的预处理,比如说数据清洗,数据整合,提取出特征查看全部
-
data replace expert,forced by development of economic查看全部
举报
0/150
提交
取消