初识机器学习-理论篇

素颜马尾好姑娘i 2022-06-15 02:16 207阅读 0赞

*   *   *  大纲 Agenda
     *  第1章 课程介绍
        
         *  什么是机器学习
     *  第2章 认识机器学习
        
         *  从数据中找规律
         *  机器学习发展的原动力
         *  业务系统发展的历史
     *  第3章 机器学习的典型应用
        
         *  机器学习的典型应用
     *  第4章 数据分析和机器学习的区别
        
         *  机器学习和数据分析的区别
     *  第5章 常见的算法和分类
        
         *  机器学习算法分类
         *  机器学习常见算法
     *  第6章 解决问题

--------------------

### 大纲 Agenda ###

*  什么是机器学习
 *  生活中的机器学习
 *  数据分析和机器学习
 *  常用算法
 *  框架
 *  Demo

--------------------

## 第1章 课程介绍 ##

### 什么是机器学习 ###

*  利用计算机从历史数据中找出规律，并把这些规律用到对未来不确定场景的决策
 *  确定性场景：明天太阳从东方升起
 *  不确定场景：明天公司的股票
 *  数据分析的主体是人，依靠人的经验和知识水平；机器学习的主体是机器，抛弃对人的依赖
 *  数据量越大，找出的规律越精准
 *  从数据中找规律-》数学规律，数学公式

--------------------

## 第2章 认识机器学习 ##

### 从数据中找规律 ###

*  机器学习的基石：概率论，数据统计
 *  传统统计学方式：抽样 -》描述统计 -》结论 -》假设检验

### 机器学习发展的原动力 ###

*  从历史数据中找规律，把这些规律用到对未来自动做出决定
 *  用数据代替expert
 *  经济驱动，数据变现

### 业务系统发展的历史 ###

*  基于专家经验
 *  基于统计————分维度统计
 *  机器学习————在线学习

--------------------

## 第3章 机器学习的典型应用 ##

### 机器学习的典型应用 ###

*  购物篮分析：纸尿布和啤酒
    
     *  关联规则
 *  用户细分精准营销：神州大众卡，全球通，动感地带，神州行
    
     *  聚类
 *  垃圾邮件
    
     *  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

--------------------

## 第4章 数据分析和机器学习的区别 ##

### 机器学习和数据分析的区别 ###

*  数据特点
    
     *  交易数据 vs 行为数据
     *  少量数据 vs 海量数据
     *  采样分析 vs 全量分析
 *  解决业务问题不同
    
     *  数据分析：过去发生事情的总结
     *  机器学习：预测未来
 *  技术手段不同
 *  参与者不同
 *  ………………

--------------------

## 第5章 常见的算法和分类 ##

### 机器学习算法分类 ###

*  有监督学习
 *  无监督学习
 *  半监督学习

### 机器学习常见算法 ###

<table> 
 <thead> 
  <tr> 
   <th align="left">挖掘主题</th> 
   <th align="left">算法</th> 
   <th align="left">发表时间</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="left">分类</td> 
   <td align="left">C4.5</td> 
   <td align="left">1993</td> 
  </tr> 
  <tr> 
   <td align="left">聚类</td> 
   <td align="left">K-Means</td> 
   <td align="left">1967</td> 
  </tr> 
  <tr> 
   <td align="left">统计学习</td> 
   <td align="left">SVM</td> 
   <td align="left">1995</td> 
  </tr> 
  <tr> 
   <td align="left">关联分析</td> 
   <td align="left">Apriori</td> 
   <td align="left">1994</td> 
  </tr> 
  <tr> 
   <td align="left">统计学习</td> 
   <td align="left">EM</td> 
   <td align="left">2000</td> 
  </tr> 
  <tr> 
   <td align="left">链接挖掘</td> 
   <td align="left">PageRank</td> 
   <td align="left">1998</td> 
  </tr> 
  <tr> 
   <td align="left">集装与推进</td> 
   <td align="left">AdaBoost</td> 
   <td align="left">1997</td> 
  </tr> 
  <tr> 
   <td align="left">分类</td> 
   <td align="left">kNN</td> 
   <td align="left">1996</td> 
  </tr> 
  <tr> 
   <td align="left">分类</td> 
   <td align="left">Naive Bayes</td> 
   <td align="left">2001</td> 
  </tr> 
  <tr> 
   <td align="left">分类</td> 
   <td align="left">CART</td> 
   <td align="left">1984</td> 
  </tr> 
 </tbody> 
</table>

--------------------

## 第6章 解决问题 ##

*  不以业务需求为目标的机器学习都是耍流氓