-
一、 demo - 图片按照色彩聚类
查看全部 -
一、机器学习解决问题的框架
训练模型
定义模型
定义损失函数
优化算法
模型评估
交叉验证
多个算法分别带入同一类数据，验证效果
效果评估
评估多个算法间的差异
查看全部 -
一、机器学习解决问题的框架
聚类问题
预测问题
二、各个算法共同的思想
机器学习 —— 确定目标
业务需求
数据
特征工程（数据预处理）
查看全部 -
一、机器学习算法
SVM：支持向量机
关联分析： FP-Growth
AdaBoot: 有监督学习，人脸识别
二、常用算法
FP-Growth
逻辑回归
搜索结果的排序等
RF、GBDT
决策树的改进
推荐算法
各个推荐系统的算法
LDA
自然语言处理算法
Word2Vetor
文本挖掘
HMM、CRF
文本挖掘
深度学习
图像识别等
查看全部 -
一、机器学习算法分类
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）
其他
标注
生成模型（属于各个类的概率）
判别模型 （分类）
查看全部 -
一、机器学习和数据分析的区别
解决业务问题不同
数据分析：报告过去
机器学习：预测未来
技术手段不同
数据分析：用户驱动、交互式分析
机器学习：数据驱动、自动进行知识发现
参与者不同
数据分析：数据分析师
机器学习：数据 + 算法
查看全部 -
一、机器学习和数据分析的区别
数据特点：
数据分析：交易数据，少量数据，采样分析
机器学习：行为数据，海量数据，全量分析
查看全部 -
一、机器学习的典型应用
自然语言处理
情感分析
实体识别
深度学习
图像识别
语音识别
个性化医疗
人脸识别
自动驾驶
智慧机器人
私人虚拟助理
手势控制
视频内容自动识别
机器实时翻译
查看全部 -
一、机器学习典型应用
CTR预估
互联网广告：百度搜索广告，排序
协同过滤
推荐系统：电商推荐
查看全部 -
一、机器学习典型应用
朴素贝叶斯
垃圾邮件识别
决策树
信用卡欺诈：骗子或还款能力差的人识别
查看全部 -
一、机器学习典型应用
用户细分精准营销
聚类：“全球通”用户专门服务
查看全部 -
一、机器学习典型应用
关联规则
购物篮分析：“啤酒 + 尿片”
查看全部 -
一、业务系统发展的历史
基于专家经验
基于统计 —— 分纬度统计
机器学习 —— 在线学习
查看全部 -
一、机器学习发展的原动力
从历史数据中找出规律，把这些规律用到对未来自动做出决定
用数据代理专家
专家：片面性、主观性
经济驱动，数据变现
大数据的出现
查看全部 -
一、从数据中寻找规律
基石：概率论、数理统计
统计学（计算力不足 ）：
抽样 —— 描述 统计—— 假设验证
机器学习（计算力充足）：
用模型拟合规律
查看全部 -
一、机器学习
机器学习：利用计算机从历史数据中找出规律，并把这些规律用到未来不确定场景的决策中。
数据分析：人来驱动；机器学习：机器驱动。
算法：从数据中寻找规律
数学函数 / 数学公式
查看全部 -
特征工程，占了机器学习的70%的工作
查看全部 -
把用户分类
查看全部 -
算法
购物篮分析
关联规则算法
查看全部 -
机器学习
离线机器学习
在线学习
查看全部
举报