主题阅读卡片0001:机器学习[Machine Learning]

主题阅读卡片0001:机器学习[Machine Learning]

└─1️⃣起源：要解决什么问题？──────
┃
┃机器学习可以让我们解决一些人为设计和使用确定性程序很难解决的问题。—《深度学习》
┃
└─2️⃣过去：之前底层是怎么解决的？───
┃
┃在二十世纪八十年代的时候，符号学习可能还是机器学习的主流，而自从二十世纪九十年代以来，就一直是统计机器学习的天下了。—《机器学习》
┃
└─3️⃣现在：现在底层是怎么解决的？───
┃
┃众所周知，概率在机器学习中扮演着核心角色，而频率学派与贝叶斯学派对概率迥异的认知也将机器学习一分为二，发展出两套完全不同的理论体系。—《机器学习40讲》
┃
└─4️⃣️方法：现在提供了哪些方法？────
┃
┃国际权威的学术组织 ICDM （the IEEE International Conference on Data Mining）评选出了十大经典的算法。 按照不同的目的，我可以将这些算法分成四类，以便你更好的理解。 l 分类算法：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART l 聚类算法：K-Means，EM l 关联分析：Apriori l 连接分析：PageRank—《数据分析实战45讲》
┃
└─5️⃣优点：有什么优点？──────
┃
┃在人工智能界有一种说法，认为机器学习是人工智能领域中最能够体现智能的一个分支。—《机器学习》
┃
└─6️⃣缺点：有什么缺点？──────
┃
┃机器学习模型在投资领域的应用存在着局限性，最重要的三点是过拟合，黑盒特性以及金融数据的强随机性。—《程序员的个人财富课》
┃
└─7️⃣‍♂️避坑：怎么扬长避短？─────
┃
┃序列模型在高频场景下是更容易出效果的，但是在天和月级别的低频领域，每个时刻的结果只跟前一个时刻关系较大，跟更早时刻的特征相关性就很弱了。这个时候，序列模型的特点就很难发挥出来，我们就应该使用更合适的模型去挖掘当前时刻不同因子之间的相互关系。比如，可以使用更善于解决特征交叉问题的 XGboost，或者 DeepFM 等模型。—《程序员的个人财富课》
┃
└─8️⃣场景：大家都是怎么用的？────
┃
┃为了让自己的数学模型比竞争对手好，对冲基金从来是最先尝试新技术的一族，我们今天说的各种机器学习的算法，20 年前对冲基金早就尝试使用了。—《硅谷来信》
┃
└─9️⃣未来：未来底层有什么方向？───
┃
┃促使深度学习发展的一部分原因是传统学习算法在这类人工智能问题上泛化能力不足。—《深度学习》
┃
└─✍️来源───────────
┃
┃https://t.zsxq.com/07VoyrIVC
┃侵删联系方式 : [email protected]
┃
└────────────────