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
