机器学习如何选择模型 & 机器学习与数据挖掘区别 & 深度学习科普
2017-07-10 13:31
781 查看
今天看到这篇文章里面提到如何选择模型,觉得非常好,单独写在这里。
更多的机器学习实战可以看这篇文章:http://www.cnblogs.com/charlesblc/p/6159187.html
数据挖掘:也就是data mining,是一个很宽泛的概念。字面意思就是从成吨的数据里面挖掘有用的信息。这个工作BI(商业智能)可以做,数据分析可以做,甚至市场运营也可以做。你用excel分析分析数据,发现了一些有用的信息,然后这些信息可以指导你的business,恭喜你,你已经会数据挖掘了。
机器学习:machine learning,是计算机科学和统计学的交叉学科,基本目标是学习一个x->y的函数(映射),来做分类或者回归的工作。之所以经常和数据挖掘合在一起讲是因为现在好多数据挖掘的工作是通过机器学习提供的算法工具实现的,
例如广告的ctr预估,PB级别的点击日志在通过典型的机器学习流程可以得到一个预估模型,从而提高互联网广告的点击率和回报率;
个性化推荐,还是通过机器学习的一些算法分析平台上的各种购买,浏览和收藏日志,得到一个推荐模型,来预测你喜欢的商品。
深度学习:deep learning,机器学习里面现在比较火的一个topic(大坑),本身是神经网络算法的衍生,在图像,语音等富媒体的分类和识别上取得了非常好的效果,所以各大研究机构和公司都投入了大量的人力做相关的研究和开发。
总结下,数据挖掘是个很宽泛的概念,数据挖掘常用方法大多来自于机器学习这门学科,深度学习是机器学习一类比较火的算法,本质上还是原来的神经网络。
文章参考了:https://zhuanlan.zhihu.com/p/20582907?refer=wangchuan
更多的机器学习实战可以看这篇文章:http://www.cnblogs.com/charlesblc/p/6159187.html
另外关于机器学习与数据挖掘的区别,
参考这篇文章:https://www.zhihu.com/question/30557267数据挖掘:也就是data mining,是一个很宽泛的概念。字面意思就是从成吨的数据里面挖掘有用的信息。这个工作BI(商业智能)可以做,数据分析可以做,甚至市场运营也可以做。你用excel分析分析数据,发现了一些有用的信息,然后这些信息可以指导你的business,恭喜你,你已经会数据挖掘了。
机器学习:machine learning,是计算机科学和统计学的交叉学科,基本目标是学习一个x->y的函数(映射),来做分类或者回归的工作。之所以经常和数据挖掘合在一起讲是因为现在好多数据挖掘的工作是通过机器学习提供的算法工具实现的,
例如广告的ctr预估,PB级别的点击日志在通过典型的机器学习流程可以得到一个预估模型,从而提高互联网广告的点击率和回报率;
个性化推荐,还是通过机器学习的一些算法分析平台上的各种购买,浏览和收藏日志,得到一个推荐模型,来预测你喜欢的商品。
深度学习:deep learning,机器学习里面现在比较火的一个topic(大坑),本身是神经网络算法的衍生,在图像,语音等富媒体的分类和识别上取得了非常好的效果,所以各大研究机构和公司都投入了大量的人力做相关的研究和开发。
总结下,数据挖掘是个很宽泛的概念,数据挖掘常用方法大多来自于机器学习这门学科,深度学习是机器学习一类比较火的算法,本质上还是原来的神经网络。
另外关于深度学习,可以看下面这个系列
单独写了篇文章学习:http://www.cnblogs.com/charlesblc/p/6159416.html文章参考了:https://zhuanlan.zhihu.com/p/20582907?refer=wangchuan
相关文章推荐
- 机器学习如何选择模型 & 机器学习与数据挖掘区别 & 深度学习科普
- 数据分析、数据挖掘、机器学习、神经网络、深度学习和人工智能概念区别(入门级别)
- 人工智能、机器学习、深度学习、数据挖掘的区别是什么?
- 数据挖掘、机器学习、深度学习的区别
- 2017年安全数据科学领域的4个趋势: 机器人、威胁情报、对抗机器学习以及深度学习是如何影响安全领域的
- 大数据学习笔记之四十五 深度学习和机器学习的区别
- 机器学习、大数据、深度学习、数据挖掘、统计、决策和风险分析、概率和模糊逻辑的常见问题解答
- 什么是人工智能、机器学习、深度学习、数据挖掘以及数据分析?<一>
- 机器学习、大数据、深度学习、数据挖掘、统计、决策和风险分析、概率和模糊逻辑的常见问题解答
- 深度学习如何选择模型
- 机器学习、深度学习、数据挖掘——问题集锦
- 如何选择机器学习模型进行数据分析_简要笔记
- 现阶段对数据库中知识发现KDD、数据挖掘、集成学习、深度学习、机器学习、人工智能、统计学、大数据、云计算的个人理解:
- 大数据环境下的模型和特征(深度学习Vs传统的机器学习)
- 面对数据缺失,如何选择合适的机器学习模型?
- 简单理解:人工智能、数据挖掘、模式识别、机器学习、深度学习
- 数据挖掘、机器学习、深度学习、推荐算法的联系与差别总结
- 不同机器学习任务深度学习模型的选择
- 人工智能、机器学习、深度学习、数据挖掘、数据分析区分
- 人工智能、数据挖掘、模式识别、机器学习、深度学习的概念认知