机器学习理论篇1

机器学习理论篇1（笔记）

历史数据->规律（数学函数、数学公式刻画规律）->未来不确定场景决策

数据分析（人为驱动）和机器学习（机器驱动）
用数据替代专家
大数据->数据变现

离线机器学习（批处理）+在线机器学习（实时调整，电商、百度），二者算法稍有差异

机器学习的典型应用：

啤酒+尿布（关联规则）||用户细分精准营销（聚类）||垃圾邮件（朴素贝叶斯）||信用卡欺诈：用户风险识别（决策树）||互联网广告（ctr预估，线性逻辑回归）||推荐系统（协同过滤）||自然语言处理（情感分析、实体识别）||深度学习（图像识别）

机器学习和数据分析的区别：
数据特点：行为数据vs交易数据
海量数据vs少量数据
全量分析vs采样分析
nosql（分布式+CAP）
解决业务问题不同：预测未来vs报告过去
技术手段不同

给用户使用vs给公司管理层

机器学习算法分类：
（1）有监督学习：分类算法，回归算法；无监督学习：聚类；半监督学习
（2）根据要解决的问题进行分类：分类与回归；聚类；标注
（3）重要：生成模型：各种结果概率；判别模型：最终结果//二者训练模型的思想不同
常见算法一览（自行百度；SVM支持向量机，FP-Growth,AdaBoost人脸识别）
机器学习解决问题的框架：
确定目标->业务需求->数据->特征工程（重要）
->训练模型（定义模型，定义损失函数，优化算法）->模型评估（交叉验证，效果评估）