-
二、解决业务问题不同
机器学习:预测未来事件(未来趋势)
数据分析:报告过去事件(历史总结)
三、技术手段、方法不同
机器学习:数据挖掘;数据(算法)驱动;规模大
数据分析:OLAP;用户驱动(企业数据分析师的经验等);规模小;交互式分析
缺点:受限于分析师的经验,分类的多样化受限制
四、参与(驱动)者不同
机器学习:数据+算法,数据质量决定结果
数据分析:数据分析师,能力&经验决定结果
五、服务用户不同
机器学习:个体用户
数据分析:公司高层
查看全部 -
机器学习两种使用场景 离线学习和在线学习。
离线学习:批处理的方式,对以前的数据进行学习,从而运用到后面的指导中
在线学习:对实时产生的数据进行学习,再对实时得业务进行指导
查看全部 -
机器学习算法一览表
查看全部 -
生成模型:不会明确的告诉结果Y,而是给出可能结果的概率
判别模型:给一个X,返回一个明确的Y。
查看全部 -
SVM分类算法,也可解决回归问题,主要用于解决分类问题。表现好,数学理论支撑
AdaBoost,有监督学习,是决策树的改进版,本质上也是要解决分类问题的。
查看全部 -
基石为概率论和统计学
查看全部 -
购物篮分析 :关联算法,纸尿裤和啤酒查看全部
-
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
查看全部 -
vv
查看全部 -
查看全部
-
机器学习解决问题的框架 1)预测问题: 1.1分类:离散型变量 1.2回归:连续性变量 2)聚类问题: 3)确定目标: 业务需求-数据-特征工程(数据预处理,70%,最重要)查看全部
-
基础分类: 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:即强化学习; 重要分类: 生成模型:模糊判断 给出概率 判别模型:判断属于哪个类型 这两种模型的主要区别是思想不同查看全部
-
机器学习的典型应用 关联规则:购物篮分析(啤酒+纸尿片) 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 协同过滤:推荐系统(相关推荐) 热门的机器学习应用: 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:图像识别查看全部
-
购物篮分析---关联规则,挖掘关联信息查看全部
-
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
举报
0/150
提交
取消