机器学习（一）

绪论

抽出时间学点新技术，先从了解点皮毛开始。本笔记来源于慕课网 → 前沿技术 → 初识机器学习-理论篇。

什么是机器学习

利用计算机从历史数据中找出规律，并把这些规律应用到对未来不确定场景的决策。
大量数据，找规律，形成公式。

生活中的机器学习

1、关联规则：啤酒和纸尿裤案例。
2、聚类：用户细分精准营销。各类移动卡。
3、朴素贝叶斯和决策树：垃圾邮件、信用卡欺诈。
4、ctr预估和协同过滤：或联网广告(点击量预估)、推荐系统(同时购买)。
5、自然语言处理和图像识别：情感分析、实体识别(关键字提取)、自动驾驶、手势识别。

数据分析和机器学习

共同点：都是在历史数据中找出规律进行应用。
不同点：

1. 数据分析主要靠人。处理的是交易数据(例如：用户的订单，跟钱有关系)。数据量少。采样分析。使用关系型数据库。对历史的回顾。少量纬度。
2. 机器学习完全靠机器。处理的是行为数据(用户的搜索、点击、浏览历史)。海量数据。全量分析。可以存放到nosql类型数据库。预测未来的事情。大量纬度。

常用算法

算法分类1：

1. 有监督学习。给一个标准。例如：分类算法、回归算法。
2. 无监督学习。没有标准。例如：聚类。
3. 半监督学习。一部分数据。

算法分类2：直指算法本质

1. 生成模型。每个样本都有概率。
2. 判别模型。有固定的公式获取结果。

框架

确定目标

1. 业务需求。
2. 数据。
3. 特征工程。

训练模型

1. 定义模型。
2. 定义损失函数：测试模型生成的结果和实际结果有多少偏差。
3. 优化算法：根据偏差来选择最好的模型。

模型评估

1. 交叉验证。
2. 效果评估。

（若有什么错误，请留言指正，3Q）