-
机器学习的典型应用：
（1）关联规则：啤酒+纸尿片，购物篮分析
（2）聚类：用户细分精准营销
（3）朴素贝叶斯：垃圾邮件检测
（4）决策树：风险识别
（5）ctr预估：互联网广告：百度的前多少个词条（商业广告）（按照点击率排序）
（6）协同过滤：推荐系统（淘宝购物车推荐）
（7）自然语言处理：情感分析（对文本抓关键情感词），实体识别（提取文本主要数据，人名等）
（8）深度学习：图像识别
（9）更多应用：语音识别，人脸识别，手势控制，智慧机器人，实时翻译
查看全部 -
解决问题的框架： 一：确定目标 业务需求；知道要做什么。 数据；学习的基础。 特征工程；ETL阶段。 二：训练模型（重点） 定义模型；确定算法。 定义损失函数；找出算法的偏差。 优化算法；对算法进行优化。 三：模型评估 交叉验证；将不同的算法带入同一类数据中，验证效果。 效果评估；可以看出几个算法之间具体的差别、效果。查看全部
-
《概率论》《数据统计》是机器学习的基石 传统的统计学，抽取一定量的样本然后 进行概率统计，然后得到结论 之后进行假设检验 传统的统计学受运算能力的限制，所以是用抽样的方式； 而现在计算能力足够强，就不需要采用抽样的方式了。 做数据分析要对数据进行量化，才方便计算、比较。 传统统计：抽样-描述统计-结论-假设检验-推断 机器学习不受计算量的限制，直接跳过抽样 统计学受限于计算能力，依赖于采样的方法，再反作用于原来的数据。步骤：抽样-->描述统计-->结论-->假设检验。 现在无需考虑数据量的问题，无需抽样技术，直接全样。可利用可视化技术来观察数据。要进行数据分析，需要先进行量化，用模型拟合规律，函数-->函数曲线-->拟合。高维度时很难用可视化的方法，只能用数学运算。查看全部
-
2、解决业务问题不同 数据分析，报告历史上发生的事情。 机器学习：通过历史上发生的事情，来预测未来的事情。 3、技术手段不同 数据分析：分析方式是用户（数据分析师）驱动的，交互式分析。分析能力受限于数据分析师的能力，数据属性和维度很有限。 机器学习：分析方式是数据驱动的，自动进行知识发现。数据属性和维度数量级很大。 4、参与者不同 数据分析，分析师能力决定结果，目标用户是公司高层。 机器学习，数据质量决定结果，目标用户是个体。查看全部
-
算法分类1：根据数据有无标签Y进行分类 对样本数据进行一些训练，得到模型，通过模型判断X与Y的关系。 有监督学习：训练数据中已经明确给出了该数据的Y，给数据打上了标签。如：已对邮件打上了“垃圾邮件”、“正常邮件”的标签。包括：分类算法、回归算法。 无监督学习：训练数据并没有Y，数据没有任何标签。典型算法：聚类。 半监督学习：也叫强化学习，数据越多，模型越好。 算法分类2：根据解决问题进行分类 分类与回归、聚类、标注 算法分类3（重要，直指本质） 生成模型：用来说明分类问题。返回的是属于各个类的概率。 判别模型：用来说明分类问题。直接给一个函数，数据输入到函数中，直接返回类别。查看全部
-
机 器 学 习 和 数 据 分 析 的 区 别 数 据 分 析： 1、交易数据、少量数据、采样分析。 2、对数据一致性要求严格，使用关系型数据库sql serve、mysql、oracle。 3、报告过去的事情。 4、分析方法：用户驱动，交互式分析。 5、数据分析师的能力决定结果，目标用户在于公司高层。 机 器 学 习： 1、行为数据、海量数据、全量分析。 2、需要保证数据吞吐量，数据一致性可以打折扣，所以用NoSQL数据库（MongoDB、nosql）和分布式数据分析平台（Hadoop、Spark）。 3、预测未来的事情。 4、分析方法：数据驱动，自动进行知识发现。 5、数据的质量和具体算法决定结果，目标用户在于个体。查看全部
-
机器学习，预测问题（类别-离散 ，数值 -连续），聚类问题 确定目标：业务需求，数据，特征工程（数据预处理，提取特征 70%-数据的提取非常重要），数据可以直接就喂给算法，数据对模型的影响非常大，数据决定了最终的预测结果查看全部
-
什么是机器学习？ 利用计算机从历史数据中找出规律；并把这些规律用到对未来不定场景的决策 机器学习的典型应用 关联规则：啤酒+纸尿片，购物篮分析 聚类：用户细分精准营销 朴素贝叶斯：垃圾邮件检测 决策树：风险识别 ctr预估：互联网广告：百度的前多少个词条（商业广告）（按照点击率排序） 协同过滤：推荐系统（淘宝购物车推荐） 自然语言处理：情感分析（对文本抓关键情感词），实体识别（提取文本主要数据，人名等） 深度学习:图像识别 更多应用：语音识别，人脸识别，手势控制，智慧机器人，实时翻译查看全部
-
1.机器学习就是利用计算机从历史数据中找规律，把这些规律用到对未来不确定场景的决策。【关键词 不确定因素 判断 决策 依靠的是计算机的历史数据的规律挖掘】 2.机器学习依靠计算机 数据分析依靠人的经验 知识水平 3.机器学习发展的原动力是 从历史数据找规律用到对未来自动做决定 用数据代替expert【业务逻辑】 经济驱动，数据变现 4.业务系统发展的历史：基于专家经验->基于统计（离线学习）->机器学习（在线学习） 5.典型应用：关联规则 算法 【啤酒和纸尿裤】 6.用户细分精准营销：聚类 算法 【神州大众卡，全球通，神州行，动感地带。。。】 7.垃圾邮件：朴素贝叶斯 算法 8.信用卡欺诈：决策树 9.互联网广告：ctr预估【预测点击率进行排序】 10.推荐系统：协同过滤 11.自然语言处理 情感分析，实体识别 12.图像识别：深度学习 13.更多应用：语音识别，个性化医疗，智慧机器人，私人虚拟助理，手势控制，人脸识别，自动驾驶，视频内容自动识别，机器实时翻译查看全部
-
什么是机器学习查看全部
-
机器学习和数据分析的区别：
一、数据特点不同（数据类别、数据量、数据分析方法）
机器学习：行为数据（如搜索历史、浏览历史、点击历史、评论等）；海量分析，一致性要求相对不高；全量分析
数据分析：交易数据（与钱相关，如用户订单、存取款账单、话费账单等）少量数据，一致性要求严格（如银行存取款，数据精准）；采样分析
查看全部 -
FP-Growth，关联分析Apriori的改进版，华人发明的。
逻辑回归，推荐，搜索结果的排序。
RF随机森林，梯度提升决策树GBDT，与AdaBoost都属于对决策树的改进。
LDA，文本分析，自然语言处理。
Wod2Vector，文本挖掘，最终是一个结果。
HMM隐马尔可夫模型，CRF条件随机场，自然语言处理，文本挖掘。
查看全部 -
常用算法有很多种，如果每个都学，比较吃力。这就用到框架来统一指导思考问题。
查看全部 -
机器学习和数据分析的区别1：处理的数据不同
数据分析：交易数据、少量数据、采样分析。对数据一致性要求严格，使用关系型数据库sql serve、mysql、oracle。
机器学习：行为数据、海量数据、全量分析。需要保证数据吞吐量，数据一致性可以打折扣，所以用NoSQL数据库（MongoDB、nosql）和分布式数据分析平台（Hadoop、Spark）
交易数据 ：电商网站用户下单、银行存取款账单
行为数据：用户的搜索历史、浏览历史、点击历史、评论
查看全部 -
机器学习和数据分析的区别 数据分析：交易数据、少量数据、采样分析。对数据一致性要求严格，使用关系型数据库sql serve、mysql、oracle。 机器学习：行为数据、海量数据、全量分析。需要保证数据吞吐量，数据一致性可以打折扣，所以用NoSQL数据库（MongoDB、nosql）和分布式数据分析平台（Hadoop、Spark）。查看全部
举报