初识机器学习-理论篇

1.什么是机器学习？

概念：利用计算机从历史数据中找到规律，并把这些规律用到未来不确定场景的决策。

场景：{①确定性场景②不确定性场景}

（人来干）数据分析+（计算机来干）机器学习

2.数据（历史数据）

3.规律

从数据中找出规律{①数学函数②数学公式}

概率论和数理统计

（先抽样->描述统计->假设检验）

用模型刻画（拟合）规律（维度较少时还能用，多维的不可用）

4.机器学习发展的原动力

经济驱动‘数据变现、用数据代替expert

5.业务系统发展的历史

基于专家经验（头脑风暴。。然后交给程序员写iferlse）

基于统计-分纬度统计（依靠业务报表，数据仓库，olap统计）

机器学习-在线学习（实时调整）

6.机器学习的典型应用

（1）关联规则：“啤酒+尿片”

（2）用户细分精准营销：聚类（动感地带、神州行、全球通）

（3）垃圾邮件：朴素贝叶斯

（4）信用卡欺诈：决策树（银行是否可以贷款给你，即风险识别）

（5）互联网广告：ctr预估【现行逻辑回归】

（6）推荐系统：协同过滤

（7）自然语言处理：情感分析+实体识别+图片识别（深度学习）

　　　　............更多应用，包括语音识别、自动驾驶、智慧机器人等等

7.机器学习和数据分析的区别

（一）数据特点不同：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

（二）解决业务问题不同：预测未来 vs 历史发生

（三）技术手段不同：     CLAP vs 数据挖掘

                                    数据驱动 vs 用户驱动

                      自动进行知识发现 vs 交互式分析

 （四）参与者不同：计算机 vs 数据分析师

 8.机器学习算法分类

第一种分类方法：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{ 强化学习 }

第二类分类算法：分类和回归

                             聚类

                             标注

第三种分类方法（重要）：生成模型（模棱两可）【训练模型思想上有本质区别】

                                           判别模型（给定判断）

 9.机器学习中常用的算法：

10.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

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