机器学习

1.概念
从历史数据中寻找规律，用于解决未来不确定的问题。分2个方向数据分析和机器学习。不同的算法找出来的规律不同。概率论和数据统计2门学科是基石。
2.机器学习的原动力
用数据代替专家，不希望靠专家。经济驱动，数据变现，受大数据的影响。
3.模式
离线学习 和在线学习
4.应用
啤酒和纸尿裤的例子         精准营销（全球通-成功人士，动感地带-学生，神舟- 务工人士）    垃圾邮件的识别       信用卡欺诈-决策树       搜索引擎      电商的推荐系统      情感分析
实体识别            深度学习（人脸识别）
5.职位      机器学习和数据分析的区别
交易数据（一致性必须高），必须用关系型数据库                       行为数据（一致性不高），只能用nosql数据库
机器学习是预测未来，数据分析强调是历史
数据分析师能处理的维度是有限的，人驱动。机器学习是靠算法来驱动的，可以有大量的维度。
机器学习客户是个体，数据分析客户是公司的老板
6.机器学习常用算法
分类算法      回归算法        聚类算法      标注算法     生成模型      判别模型（给一个函数，数据丢进去，直接给结果）
AdaBoost(人脸识别)    FP-Growth   逻辑回归      RF、GBDT      深度学习
7.机器学习的框架 ，算法都在里面
确定目标      业务需求        收集数据         特征工程 

定义模型     定义损失函数        优化算法      模型评估