桐梓网站开发,什么网页游戏最火,济南网站优化培训,做摘抄的网站1、概念
机器学习#xff0c;就是通过历史数据找出一定的规律#xff0c;并使用这些规律对将来不确定的场景进行决策。
机器学习VS数据分析
数据分析#xff0c;是人为的从历史交易数据中找规律#xff0c;从而决策。 机器学习#xff0c;是机器使用算法#xff0c;从…1、概念
机器学习就是通过历史数据找出一定的规律并使用这些规律对将来不确定的场景进行决策。
机器学习VS数据分析
数据分析是人为的从历史交易数据中找规律从而决策。 机器学习是机器使用算法从历史行为数据中找规律从而决策。
交易数据是少量的行为数据是海量的。
数据分析的准确性主要取决于分析的这个专家的能力高低。 机器学习的准确性主要取决于历史数据。
专家再厉害他的判断也会带有片面性和个人主观性。
所以由数据分析到机器学习其实就是用数据代替专家的过程。
机器学习VS统计学
统计学海量数据抽样分析得到结论反向校验优化结论。 机器学习海量数据全量分析得到结论。
统计学最早是因为数据量太大没法全量处理才不得已用了抽样的方法。 当有了机器学习这个问题其实也算被解决了。
离线机器学习VS在线机器学习
大部分机器学习都是离线的比如攒一天的数据每天凌晨批量机器学习一次。 特殊业务场景需要在线实时机器学习。不断的通过新数据去刺激模型电商的推荐一般都是实时的。比如猜你喜欢总能在你搜索完一个商品后在后续的浏览中就把你刚刚搜索过的类似商品推荐给你。
2、机器学习的应用
购物分析关联规则算法
经典案例美国的啤酒和纸尿裤总是同时被购买。商家进行对应的捆绑营销提高销售额。
精准营销聚类算法
将人精确的分为不同的类每类进行不同的营销。
垃圾邮件的识别朴素贝叶斯算法
识别垃圾邮件
信用卡欺诈决策树算法
信贷风险识别还款能力不足和骗贷
互联网广告ctr预估算法线性逻辑回归
对用户的点击率进行预估比如搜索对于展示的每一条结果都会评价一个用户点击的概率然后按照这个概率的大小进行排列展示让最有可能点的排在最前面。
推荐系统协同过滤算法
电商的推荐系统猜你喜欢。通过推荐一些用户可能买的东西提高销量。
自然语言处理
情感分析通过一个人的评论分析出这个人的可能性格从而归类。 实体识别提取一篇文章的主干信息比如人名地名等从而尝试确定一个实体。 等等。。。
图像识别深度学习
人脸识别还有支付宝那个扫一扫就知道是什么植物的功能
其他
语音识别 自动驾驶 视频识别 手势控制 智慧机器人 等等。。。
3、常用算法分类
3.1、按监督分类
yf(x)
有监督学习明确指出数据属于哪些标签再去学习最终得到模型。
分类算法 回归算法
无监督学习提前不知道要训练成什么样子
聚类算法
半监督学习也叫强化学习一开始训练效果不好随着时间慢慢强化模型
3.2、按模型分类
生成模型万事好商量
使用生成模型最终你给一个入参模型会给你不同结果的概率。
判别模型非黑即白
判别模型最终模型会给你一个函数你给他入参他就给你出参。
4、机器学习解决问题的套路
4.1、确定目标
1、根据业务需求确定目标 2、收集历史数据 3、做特征工程数据预处理清理整合提取出特征
最终的模型能达到多大的效果绝大部分因素取决于特征工程做的好不好。所以特征工程是最重要的一步
4.2、训练模型
1、定义模型定义好一个公式各个参数需要训练得出 2、定义损失函数定义最终结果的偏差的大小最终能量化的知道预测结果和真实结果的差值 3、优化算法损失函数取最小
4.3、模型评估
1、交叉验证 2、效果评估
