RT.

1. 决策树算法（C4.5, CART）

    无监督学习：实际上，决策树通常用于有监督学习，因为它依赖于标注数据进行训练。可以根据特征来划分数据，进行分类或回归。

    C4.5和CART：虽然这两者在过去很常见，但如今更先进的算法（如XGBoost）已取代它们。可以考虑添加对这些新算法的简要介绍。

2. K-Means（无监督学习）

    聚类算法非常适合于无监督学习。K-Means通过最小化每个点到质心的距离来分组，适用于大多数情况下数据分布较为均匀的情况。

3. SVM（支持向量机）

    支持向量机是一个非常强大的分类与回归算法，尤其适用于高维数据。尽管深度学习在某些任务中已超越它，SVM仍然是经典的高效分类算法之一。

4. Apriori

    已淘汰的算法，确实因其计算复杂度和多次扫描数据库的需求而受到批评。FP-Growth是更高效的替代者，它通过树形结构减少了对数据库的访问次数。

5. EM算法

    作为一种统计学习方法，EM算法的理解确实有一定的门槛，适用于混合模型或缺失数据处理等问题。

6. PageRank

    虽然PageRank仍然广泛应用于搜索引擎中，但其具体实现细节已经有许多创新和优化，尤其是在大规模图数据的处理上。

7. AdaBoost

    这是一种集成学习方法，可以与弱分类器（如决策树）结合，通过加权的方式提高整体分类准确率。它在图像识别中有广泛应用。

8. kNN（k-近邻）

    与K-Means的不同之处在于，kNN是基于距离的分类方法。它简单易懂，但对于大数据集来说计算复杂度较高。

9. Naive Bayes

    适用于分类任务，特别是在文本分类中，如垃圾邮件检测。其假设特征之间相互独立，这在实际数据中可能不完全成立，但通常仍能获得不错的效果。

高级算法：

    FP-Growth

        在Apriori的基础上优化了计算效率，尤其适用于关联规则挖掘。

    逻辑回归

        非常重要且广泛使用，尤其是在二分类问题和概率预测中。

    随机森林（RF）和GBDT

        两者都是决策树的集成算法，广泛用于分类与回归问题。GBDT在处理非线性问题时表现尤为出色。

    推荐算法

        推荐系统广泛应用于电商、社交平台中，有很多优化方法，如协同过滤、内容推荐等。

    LDA（潜在狄利克雷分配）

        主要用于主题模型，在文本挖掘中有重要应用。

    Word2Vec

        用于将词语转化为向量表示，是文本数据处理中的一个重要技术。

    HMM与CRF

        隐马尔可夫模型与条件随机场都广泛应用于序列数据建模，如语音识别、自然语言处理。

    深度学习

        包括CNN、RNN等深度神经网络，是目前处理大规模复杂数据（如图像、语音、文本）最前沿的技术。

机器学习算法分类（1）： 通过模型判断Y和X的关系

    有监督学习：分类算法——Y类：垃圾邮件

                                                X类：正常邮件

                          回归算法

    无监督学习： 聚类   （无Y类）

    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，给每一个对象打上标签，如句子的主谓宾切割 

机器学习算法分类（3）【重要】

    生成模型：（陪审团）属于某类的可能性。

    判别模型:  （法官）直接给函数，定结果。

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

重新开始学习一遍吧。

机器学习与数据分析？

机器学习常见算法（1）ICDM
1.分类---C4.5使用决策树算法，可以解决【分类】&【回归】问题；
2.聚类---K-Means算法，属于无监督方法，解决电信用户分类问题；
3.统计学习---SVM（支持向量机）可以解决分类（主）和回归问题，有很好的表现和深厚的数学理论支撑，曾经被认为是最好的分类算法。现在光芒被【深度学习】掩盖了。有一定的数学门槛，面试中经常被问。
4.关联分析---Apriori应用于“尿片和纸尿裤”案例，最早解决了频繁项集问题。由于需要频繁访问数据库，已被淘汰。取代它的是华人开的【FP-Growth】算法。应用：电商的推荐系统，但目前有更好的替代方法。
5.统计分析---EM算法是一个算法框架，用于解决一系列问题。
6.连接挖掘---PageRank。Google使用的网页排序算法，很著名。
7.集装与推进---AdaBoosts算法，应用于人脸识别，本质为改进的决策树算法，属于有监督的分类算法。
8.分类---kNN。相对简单的分类算法，有监督。
9.分类---Naive Bayes朴素贝叶斯算法，用于识别垃圾邮件。
目前不常用的算法：Apriori和CART。

机器学习解决问题的框架
1）预测问题：
1.1分类：离散型变量
1.2回归：连续性变量
2）聚类问题：
3）确定目标：
业务需求-数据-特征工程（数据预处理，70%，最重要）

算法分类1：根据数据有无标签Y进行分类

对样本数据进行一些训练，得到模型，通过模型判断X与Y的关系。

    有监督学习：训练数据中已经明确给出了该数据的Y，给数据打上了标签。如：已对邮件打上了“垃圾邮件”、“正常邮件”的标签。包括：分类算法、回归算法。

    无监督学习：训练数据并没有Y，数据没有任何标签。典型算法：聚类。

    半监督学习：也叫强化学习，数据越多，模型越好。

算法分类2：根据解决问题进行分类

    分类与回归、聚类、标注

算法分类3（重要，直指本质）

    生成模型：用来说明分类问题。返回的是属于各个类的概率。

    判别模型：用来说明分类问题。直接给一个函数，数据输入到函数中，直接返回类别。

2、解决业务问题不同
数据分析，报告历史上发生的事情。
机器学习：通过历史上发生的事情，来预测未来的事情。
3、技术手段不同
数据分析：分析方式是用户（数据分析师）驱动的，交互式分析。分析能力受限于数据分析师的能力，数据属性和维度很有限。
机器学习：分析方式是数据驱动的，自动进行知识发现。分析能力不受限于人，数据属性和维度数量级很大。
4、参与者不同
数据分析，分析师能力决定结果，目标用户是公司管理决策层。
机器学习，数据质量决定结果，目标用户是个体。

机器学习与数据分析的区别

1. 处理的数据类型和特点

1. 交易数据 vS 行为数据

2. 少量数据 vs 海量数据

3. 采样分析 vs 全量分析

数据分析：

数据类型：主要处理交易数据，例如电商网站用户下单、银行存取款账单等。

数据量：通常涉及的数据量较少。

数据分析方法：倾向于采用采样分析，因为数据量不大，可以对样本进行深入分析。

数据一致性：对数据一致性要求严格，尤其是在金融交易等场景中，数据的准确性至关重要。

数据库使用：因此，数据分析通常使用关系型数据库，如SQL Server、MySQL、Oracle等，这些数据库能够保证事务的ACID属性（原子性、一致性、隔离性、持久性），确保数据的准确性和一致性。

机器学习：

数据类型：主要处理行为数据，例如用户的搜索历史、浏览历史、点击历史、评论等。

数据量：涉及的数据量庞大，通常需要处理海量数据。

数据分析方法：倾向于进行全量分析，以捕捉数据中的所有模式和趋势。

数据一致性：对数据一致性的要求相对较低，更注重数据吞吐量和处理速度。

数据库使用：因此，机器学习通常使用NoSQL数据库（如MongoDB）和分布式数据分析平台（如Hadoop、Spark），这些技术能够处理大规模数据集，并且具有高吞吐量和灵活性。

2. 数据处理方法和工具

数据分析：

侧重于使用统计方法和查询语言（如SQL）来分析数据，以支持决策制定。

工具和语言包括Excel、R、Python（Pandas库）等。

机器学习：

侧重于使用算法和模型来从数据中学习模式，并进行预测或分类。

工具和框架包括TensorFlow、PyTorch、Scikit-learn等。

-----

用 Nosql 处理行为数据，跟钱相关的数据，是不会用 nosql 去处理的。

什么是机器学习？

1.   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定场景的决策

 机器学习的典型应用

1.   关联规则：啤酒+纸尿片，购物篮分析

2.   聚类：用户细分精准营销

3.   朴素贝叶斯：垃圾邮件检测

4.   决策树：风险识别

5.   ctr预估：互联网广告：百度的前多少个词条（商业广告）（按照点击率排序）

6.   协同过滤：推荐系统（电商购物车推荐，应用市场下载应用后的推荐等等）

7.   自然语言处理：情感分析（对文本抓关键情感词），实体识别（提取文本主要数据，人名等）

8.   深度学习:图像识别

9.   更多应用：语音识别，人脸识别，手势控制，智慧机器人，实时翻译

机器学习的典型应用：

1. 购物篮分析——美国超市啤酒和纸尿裤——关联规则

2. 用户细分精准营销—— 中国移动全球通、动感地带、神州行——聚类

3. 垃圾邮件识别——朴素贝叶斯

4. 信用卡欺诈——决策树
   

   
   

Î

机器学习的典型应用

用户细分精准营销

• 聚类  用机器对用户群体分类，判断用户具体需要什么。

购物篮分析
 
 关联算法，纸尿裤和啤酒

业务系统发展的历史

1. 基于专家经验

2. 基于统计——分纬度统计

3. 机器学习——在线学习

机器学习两种使用场景 离线学习和在线学习。

1. 离线学习：批处理的方式，对以前的数据进行学习，从而运用到后面的指导中
   

2. 在线学习：对实时产生的数据进行学习，再对实时得业务进行指导

两种场景使用的算法都是一样的。

机器学习发展的原动力

1. 从历史数据中找出规律，把这些规律用到对未来自动作出决定。

2. 用数据代替expert

3. 经济驱动，数据变现

4. 
   

• 《概率论》《数据统计》是机器学习的基石

• 传统的统计学，受运算能力的限制，所以是用抽样的方式， 抽取一定量的样本然后进行概率统计，然后得到结论之后进行假设检验
  

• 统计学受限于计算能力，依赖于采样的方法，再反作用于原来的数据。步骤：抽样-->描述统计-->结论-->假设检验。

• 现在无需考虑数据量的问题，无需抽样技术，直接全样。可利用可视化技术来观察数据。要进行数据分析，需要先进行量化，用模型拟合规律，函数-->函数曲线-->拟合。高维度时很难用可视化的方法，只能用数学运算。

• 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 

• 判断、决策
  主体的不同：计算机--机器学习、人--数据分析。

  • 数据分析是依靠人从历史数据中找到规，学习效果很大程度以来于人的经验与知识水平，

  • 机器学习就是想要抛弃对人的依赖，靠机器来挖掘规律。
    数据：机器学习只是解决问题的框架、算法，需要数据，数据量越大越准确。
    规律：通过机器学习不同的算法去找规律，不同的算法结果不同。

  • 
    

    
    

一、 demo - 图片按照色彩聚类

一、机器学习解决问题的框架

1. 训练模型

1. 定义模型

2. 定义损失函数

3. 优化算法

2. 模型评估

1. 交叉验证

1. 多个算法分别带入同一类数据，验证效果
   

2. 效果评估

1. 评估多个算法间的差异
   

一、机器学习解决问题的框架

1. 聚类问题

2. 预测问题

二、各个算法共同的思想

1. 机器学习 —— 确定目标

1. 业务需求

2. 数据

3. 特征工程（数据预处理）
   

   
   

一、机器学习算法

SVM：支持向量机

关联分析： FP-Growth

AdaBoot:  有监督学习，人脸识别

二、常用算法

1. FP-Growth

2. 逻辑回归

1. 搜索结果的排序等

3. RF、GBDT

1. 决策树的改进

4. 推荐算法

1. 各个推荐系统的算法

5. LDA

1. 自然语言处理算法

6. Word2Vetor

1. 文本挖掘
   

7. HMM、CRF

1. 文本挖掘
   

8. 深度学习

1. 图像识别等
   

一、机器学习算法分类

1. 有监督学习

1. 分类算法

2. 回归算法
   

2. 无监督学习

1. 聚类

3. 半监督学习（强化学习）

4. 其他

1. 标注

2. 生成模型（属于各个类的概率）

3. 判别模型 （分类）
   

一、机器学习和数据分析的区别

1. 解决业务问题不同

1. 数据分析：报告过去

2. 机器学习：预测未来

2. 技术手段不同

1. 数据分析：用户驱动、交互式分析

2. 机器学习：数据驱动、自动进行知识发现

3. 参与者不同

1. 数据分析：数据分析师

2. 机器学习：数据 + 算法
   

一、机器学习和数据分析的区别

1. 数据特点：

1. 数据分析：交易数据，少量数据，采样分析

2. 机器学习：行为数据，海量数据，全量分析   
   

一、机器学习的典型应用

1. 自然语言处理

1. 情感分析

2. 实体识别

2. 深度学习

1. 图像识别

2. 语音识别

3. 个性化医疗

4. 人脸识别

5. 自动驾驶

6. 智慧机器人

7. 私人虚拟助理

8. 手势控制

9. 视频内容自动识别

10. 机器实时翻译
    

一、机器学习典型应用

1. CTR预估

1. 互联网广告：百度搜索广告，排序

2. 协同过滤

1. 推荐系统：电商推荐
   

一、机器学习典型应用

1. 朴素贝叶斯

1. 垃圾邮件识别

2. 决策树

1. 信用卡欺诈：骗子或还款能力差的人识别