Tensorflow--机器学习基础理论

机器学习基础认识

机器学习：利用计算机从历史数据中找出规律，并把这些规律用到对未来不确定场景的决策

概率论  数据统计

数据代替expert

离线机器学习  在线学习(电商，搜索)

机器学习典型应用

购物篮分析（啤酒+尿布）--  关联规则

用户细分精准营销（手机卡分类）--  聚类

垃圾邮箱 -- 朴素贝叶斯

信用卡欺诈 -- 决策树

互联网广告 -- ctr预估

推荐系统 -- 协同过滤

自然语言处理 -- 情感分析、实体识别

图像识别 深度学习

语音识别 个性化医疗 情感分析 人脸识别 自动驾驶 手势控制 视频内容识别 机器实时翻译

机器学习和数据分析不同点

数据特点：行为数据（海量数据 全量分析 noSQL分布式CAP） 交易数据（少量 采样分析）

解决的业务问题不同：预测未来 分析过去

技术手段不同：（数据驱动 自动进行知识发展 数据挖掘） （用户驱动 交互式分析）

主体参与者不同：计算机（数据质量 针对个体） 分析师（能力 针对高层）

机器学习算法分类1

有监督学习 -- 如分类算法、回归算法，已经打上标签

无监督学习 -- 如聚类算法，无标签

半监督学习（强化学习）

机器学习算法分类2

分类与回归

聚类

标注

机器学习算法分类3

生成模型：概率

判别模型

常见算法

解决问题框架

确定目标

业务需求

数据

特征工程

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