机器学习入门

机器学习的应用–大数据
机器学习的子类–深度学习
机器学习的父类–人工智能


机器学习的范畴包括：
分类、回归、聚类。


机器学习 根据过去的数据会建立一个模型，但有新的数据进来时，机器(程序)会根据这个模型对该数据进行预测。

机器学习方法是计算机利用已有的数据，得出了某种模型，并利用此模型预测未来的一种方法。

[b]机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。[/b]

如 根据用户以前的浏览数据，得出用户模型，利用该模型来预测用户将来会浏览哪些信息。把这类信息推送给用户，就是推荐系统。


机器学习任务主要分为两种：Supervised Machine Learning 和 Unsupervised Machine Learning。其中Supervised Machine Learning主要包括Classification和Regression，Unsupervised Machine Learning主要包括Clustering。


推荐系统 是属于机器学习的范畴。


机器学习中比较实用的是推荐引擎和分类算法


机器学习 概念介绍：http://aoyouzi.iteye.com/blog/2179641


依据数据所做的判断跟机器学习的思想根本上是一致的。

推荐引擎
基于用户 GenericUserBasedRecommender
相似度+ 邻域
相似度 UserSimilarity
实现的算法有
PearsonCorrelationSimilarity -- 皮尔逊
EuclideanDistanceSimilarity -- 欧式距离
TanimotoCoefficientSimilarity -- 谷本系数
UserNeighborhood
实现的算法
NearestNUserNeighbordhood -- 近邻
ThresholdUserNeighborhood -- 基于阀值

基于物品 GenericItemBasedRecommender
只要考虑相似度 接口为 ItemSimilarity
实现算法和基于用户的一样

基于模型
Slope-One
Slopeone算法不同于前面提到的基于相似度的算法，他计算简单快速，对新用户推荐效果不错，数据更新和扩展性都很不错，预测能达到和基于相似度的算法差不多的效果，很适合在实际项目中使用。