机器学习基础理论（二）

数据分析与机器学习的区别：
1、数据特点：
（1）

* 数据分析处理交易数据（和钱有关系的）；
* 机器学习处理行为数据（搜索历史、点击历史、浏览历史、评论）。

（2）数据量

* 数据分析是少量数据
* 机器学习是海量数据

（3）分析方法：

* 数据分析采用采样分析
* 机器学习采用全量分析

NOSQL：非关系型的数据库，只能用来处理行为数据，而不能处理交易数据。如MangoDB。

2、解决业务问题不同：

* 数据分析：报告过去的事情
* 机器学习：预测未来的事情

3、技术手段不同：
（1）分析方法：

* 数据分析：用户驱动&交互式分析&OLAP
* 机器学习：数据驱动&自动进行知识发现&数据挖掘

（2）分析技术：

* 数据分析：多维、钻取、多层次、多视角观察（透视表）
* 机器学习：准备数据、引入挖掘工具后就不管了

4、参与者不同：
（1）

* 数据分析：分析师、算法+数据，分析师能力决定结果
* 机器学习：数据质量决定结果

（2）目标用户：

* 数据分析：公司高层
* 机器学习：个体用户

算法分类一：

* 有监督学习
* 无监督学习
* 半监督学习

1、有监督学习：

* 分类算法：X类&Y类
* 回归算法：

2、无监督学习：

* 聚类

3、半监督学习（强化学习）

算法分类二：

* 分类与回归
* 聚类
* 标注

算法分类三：很重要！！！！

* 生成模型
* 判别模型

1、生成模型：指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。
在机器学习中，生成模型可以用来直接对数据建模（例如对一个概率密度函数产生的数据建模），或者作为建立条件概率密度函数的中间过程。条件概率分布可以有生成模型根据贝叶斯准测形成。
2、判别模型：是一种对为观测数据y与已观测数据x之间关系进行建模的方法。与生成模型不同，判别模型不考虑x与y之间的联合分布。