-
传统：抽样->描述统计->总结->假设检验查看全部
-
按照色彩聚类 特征工程比较复杂 图像内容 图片在计算机表达是RGB 三个数字组成的 把若干的图片跟文本组转换成一个向量 机器学习跟 数据分析的区别 机器学习解决问题的一般框架查看全部
-
数据分析与机器学习在解决业务问题中的区别查看全部
-
交易数据SQL，行为数据主要是Nosq查看全部
-
常见算法查看全部
-
训练模型 定义损失函数查看全部
-
机器学习解决问题框架图查看全部
-
机器学习和数据分析的区别 行为数据 和 交易数据 大量数据 和 少量数据 采样分析 和 全样分析查看全部
-
推荐系统 协同过滤查看全部
-
损失函数，就是定义偏差的大小。 机器学习解决的问题，不能得到精确解。 寻找近似解。 偏差最小的函数，针对很大的数据集，就是损失函数。 让损失函数求最小，就是优化算法。查看全部
-
历史： 1、基于专家经验 （运维和产品头脑风暴，程序员写逻辑） 2、基于统计---分维度统计。数据分析，受限于数据分析人员的经验(数据报表，:联机事务处理OLAPP(on-line transaction processing)) 3、机器学习： 模式①离线机器学习，每天定时更新,跑算法，生成一个新的模型，循环，生成新的模型。对昨天数据的研究，用算法分析形成一个模型，指导明天的活动。缺点：存在偶然性，没法给出正确的模型，如双11的集中购物。 模式②在线机器学习，实时的数据进行分析，不断的形成模型对用户进行指导查看全部
-
历史： 1、基于专家经验 2、基于统计---分维度统计。数据分析，受限于数据分析人员的经验 3、机器学习： 模式①离线机器学习，每天定时更新生成一个新的模型，但是如果出现异常状况时，在定时更新前就没法给出正确的模型；②在线机器学习，实时更新调整模型。查看全部
-
机器学习和数据分析的区别 数据特点 交易数据【跟钱有关系】【一致性强】 VS 行为数据【用户的历史行为】【no SQL数据库 像mongoDB】 少量数据 VS 海量数据 采样分析 VS 全量分析 15.数据分析（OLAP）（报告过去的事情） 机器学习（预测未来的事情） 16.机器学习算法分类 有监督学习【已经打上标签】 无监督学习【聚类 自己推测标签】 半监督学习 根据内容： 分类与回归 聚类 标注 很重要： 生成模型【告诉你样本属于哪个类的概率】 判别模型 【告诉你结果】 17.分类 C4.5 聚类 K-Means 统计学习 SVM 关联分析 Apriori 【基本淘汰 代价太大】 统计学习 EM 链接挖掘 PageRank 【谷歌】 集装与推进 AdaBoost [人脸识别] 分类 kNN Naive Bayes CART 高级算法： FP-Growth 逻辑回归 RF GBDT 推荐算法 LDA Word2Vector HMM CRF 深度学习 18.机器学习解决问题 确定目标： 业务需求 收集数据 特征工程【70%】 训练模型： 定义模型-产生公式（根据具体要解决的问题） 定义损失函数（预测的结果与真实的结果之间的偏差最小的函数） 优化算法（使损失函数取极小值） 模型评估： 交叉验证 效果评估 19.图片中的每一个像素点是以一个rgb来存的red，green，blue来表示每个成分有多大来存 的，每个图是一个二进制的文件 20.K-Means聚类的算法，特征工程就是将图片以向量或是其他的形式来表示的查看全部
-
机器学习: 发现相关关系. 利用相关关系查看全部
-
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
举报
0/150
提交
取消