‘About ml’
机器学习笔记
什么是机器学习
这个问题是作为入门的根本性问题
我以前看到一句话人工智能就是你有多少数据它就有多少智能
机器学习是从庞大的数据中寻找规律，得出
算法函数的一个过程，代替了人为数据分析的过程，代替了数据分析师的岗位
机器学习的发展
发展分为三个阶段
-
数据专家
这个阶段就是专家化，专家根据自己的经验和想法，进行很多分析，当然，专家也是人，会有很多的片面和非客观因素存在，导致不准确
-
数据统计
一大帮子人坐在一起讨论，根据历史上出现的数据，画图，画统计图，然后作出相应的分析
简单点就是一大帮子人做报表，然后根据人为计算去分析 -
机器学习
就是现在非常流行的一些推荐系统，或者是概率计算，由机器去寻找规律，作出报表，然后给人提供建议与意见，当然了 这里会有一个问题，线上用户在使用过程中产生了大量的数据，我们应该实时去更新算法模型呢，还是一天一更新算法模型，由于实时同步实现成本很大，所以我们一般采用定时脚本更新策略
机器学习简单应用
- 关联规则
点评：
同质化—购物车分析 - 聚类
点评：
物以类聚，人以群分—用户分类营销 - 决策树，朴素贝叶斯
点评:
以树为根，不断延伸分类—信用卡借贷叶为属性，特殊过滤—垃圾邮件过滤 - ctr预估，协同过滤
点评：
赚钱用的—搜索广告概率论排序点评：
赚钱用的—推荐系统 - 自然语言处理与图像识别
点评：
顾名思义
数据分析与机器学习对比
-
数据分析一般针对交易数据，机器学习一般针对行为数据
-
数据分析一般采用少量数据采样分析，机器学习一般采用海量数据全量分析
-
根据数据本身的区别，不同的场景下采用不同的技术，
nosql含义其实是not only sql一般用来存储分析全量行为数据，或者与关系型数据库结合使用 -
数据分析解决的业务，一般应用于过去产生的事物分析，机器学习解决的业务，一般应用于分析历史预测未来
-
机器学习由算法驱动，数据分析一般由人驱动
-
服务目标不同，数据分析一大部分是为了领导看，机器学习一般为了用户服务，数据决定质量
机器学习算法分类
-
有监督学习
训练数据中已经存在，确定的答案，根据答案训练算法机器，答案可以是
是或者否也可以是数据 -
无监督学习
聚类算法，我们提前都不知道分类，让算法自行分类，推测
-
半监督学习
小孩学走路，随着数据变大，不断完善
- 分类与回归
- 标注
- 聚类
-
- 生成模型
- 概率分类，逐渐完善分类
-
- 判别模型
- 训练数据，非是即否，训练模型分类
比较著名的算法模型
机器学习解决问题一般步骤
- 获得数据，分离数据，确定目标，确定业务需求，分离特征数据
- 定义模型，《定义损失函数，优化算法》，这里是最难，最核心内容
- 模型评估，交叉验证，效果评估
一说起这东西，就不得不说起这些年很火的大数据
机器学习，目前我个人知识水平感觉，数据其实很重要，能拿到足够的数据
，并且清洗整理数据，做特征工程，确定影响字段，是非常重要的
FEATURED TAGS
PHP react-nativeFRIENDS
