1、概念

機器學習，就是通過歷史數據找出一定的規律，并使用這些規律對將來不確定的場景進行決策。

機器學習VS數據分析

數據分析，是人為的從歷史交易數據中找規律，從而決策。
機器學習，是機器使用算法，從歷史行為數據中找規律，從而決策。

交易數據是少量的，行為數據是海量的。

數據分析的準確性，主要取決于分析的這個專家的能力高低。
機器學習的準確性，主要取決于歷史數據。

專家再厲害，他的判斷也會帶有片面性和個人主觀性。

所以由數據分析到機器學習，其實就是用數據代替專家的過程。

機器學習VS統計學

統計學，海量數據抽樣分析，得到結論，反向校驗，優化結論。
機器學習，海量數據全量分析，得到結論。

統計學，最早是因為數據量太大，沒法全量處理，才不得已用了抽樣的方法。
當有了機器學習，這個問題其實也算被解決了。

離線機器學習VS在線機器學習

大部分機器學習，都是離線的，比如攢一天的數據，每天凌晨批量機器學習一次。
特殊業務場景，需要在線實時機器學習。不斷的通過新數據去刺激模型，電商的推薦一般都是實時的。比如猜你喜歡，總能在你搜索完一個商品后，在后續的瀏覽中就把你剛剛搜索過的類似商品推薦給你。

2、機器學習的應用

購物分析（關聯規則算法）

經典案例：美國的啤酒和紙尿褲，總是同時被購買。商家進行對應的捆綁營銷，提高銷售額。

精準營銷（聚類算法）

將人精確的分為不同的類，每類進行不同的營銷。

垃圾郵件的識別（樸素貝葉斯算法）

識別垃圾郵件

信用卡欺詐（決策樹算法）

信貸風險識別（還款能力不足和騙貸）

互聯網廣告（ctr預估算法，線性邏輯回歸）

對用戶的點擊率進行預估，比如搜索，對于展示的每一條結果，都會評價一個用戶點擊的概率，然后按照這個概率的大小進行排列展示，讓最有可能點的排在最前面。

推薦系統（協同過濾算法）

電商的推薦系統，猜你喜歡。通過推薦一些用戶可能買的東西，提高銷量。

自然語言處理

情感分析，通過一個人的評論，分析出這個人的可能性格，從而歸類。
實體識別，提取一篇文章的主干信息，比如人名地名等，從而嘗試確定一個實體。
等等。。。

圖像識別（深度學習）

人臉識別，還有支付寶那個掃一掃就知道是什么植物的功能

其他

語音識別
自動駕駛
視頻識別
手勢控制
智慧機器人
等等。。。

3、常用算法分類

3.1、按監督分類

y=f(x)

有監督學習：明確指出數據屬于哪些標簽，再去學習，最終得到模型。

分類算法
回歸算法

無監督學習：提前不知道要訓練成什么樣子

聚類算法

半監督學習：也叫強化學習，一開始訓練效果不好，隨著時間慢慢強化模型

3.2、按模型分類

生成模型（萬事好商量）

使用生成模型，最終你給一個入參，模型會給你不同結果的概率。

判別模型（非黑即白）

判別模型，最終模型會給你一個函數，你給他入參，他就給你出參。

4、機器學習解決問題的套路

4.1、確定目標

1、根據業務需求，確定目標
2、收集歷史數據
3、做特征工程（數據預處理，清理，整合），提取出特征

最終的模型，能達到多大的效果，絕大部分因素取決于特征工程做的好不好。所以特征工程是最重要的一步

4.2、訓練模型

1、定義模型：定義好一個公式，各個參數需要訓練得出
2、定義損失函數：定義最終結果的偏差的大小，最終能量化的知道預測結果和真實結果的差值
3、優化算法：損失函數取最小

4.3、模型評估

1、交叉驗證
2、效果評估

總結

以上是生活随笔為你收集整理的机器学习笔记（了解）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。