机器学习开发流程

 

 （1）算法是核心，数据和计算是基础

大部分复杂模型的算法设计都是算法工程师在做，而我们
1、分析很多的数据
2、分析具体的业务
3、应用常见的算法
4、特征工程、调参数、优化

我们应该怎么做

1. 学会分析问题， 使用机器学习算法的目的，想要算法完成何种任务

2. 掌握算法基本思想，学会对问题用相应的算法解决

3. 学会利用库或者框架解决问题

  机器学习算法分类：

• 监督学习

• 分类    k- 近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络

• 回归    线性回归、岭回归

• 标注    隐马尔可夫模型     ( 不做要求 )

• 无监督学习

• 聚类    k-means

 

监督学习（英语：Supervised learning），可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出是有限个离散值（称作分类）。

无监督学习（英语：Supervised learning），可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值所组成。

概念：分类是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变成为分类问题。最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果；

概念：回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系，输出是连续型的值。