我們將機器學習定義為一組能夠自動檢測模式資料的方法，然後利用未發現的模式來**未來的資料，或者在不確定的情況下執行各種決策(例如計畫如何收集更多的資料）！
·模型和計算能力∶深度學習、gpu、分布式系統
. 廣泛的應用場景∶營銷、廣告、金融、交通、醫療等
是指資料採集、資料清洗、資料分析和資料應用的整個流程中的理論、技術和方法。
是大資料分析的核心內容。機器學習解決的是找到將x和y關聯的模型f，從data到x的步驟通常是人工完成的（特徵工程)。
是機器學習的一部分，其核心是自動找到對特定任務有效的特徵，也即自動完成data到x的轉換。如果我們的任務y是模擬人類(自動駕駛、圍棋alphago )的行為，則這類任務稱為人工智慧。深度學習也是目前al中的核心技術。
●資料集中的樣本帶有標籤,有明確目標
●回歸和分類
●資料集中的樣本沒有標籤,沒有明確目標
聚類、降維、排序、密度估計、關聯規則挖掘
智慧型決策的過程,通過過程模擬和觀察來不斷學習、提高決策能力
例如: alphago
●回歸模型:線性回歸、嶺回歸、l asso和回歸樣條等
●分類模型:邏輯回歸、k近鄰、決策樹、支援向量機等
機器學習10講 第一講
一丶大資料分析和人工智慧已經成為整個社會發展最主要的基礎推動力，兩者的基礎都是機器學習。大資料分析火熱的深刻原因 模型和計算能力 深度學習 模型顯示 gpu 加快深度學習的訓練 分布式系統 提高訓練的能力，水平 廣泛的應用場景 營銷，廣告，金融，交通，醫療等。二丶data y f x data 資料...
機器學習 第一講
在監督學習中，我們給出資料組，並且已經知道正確的輸出是什麼樣，明確輸入和輸出之間的關係。監督學習問題可以歸類為回歸 regression 和分類 classification 問題。在回歸問題上，我們嘗試 乙個連續 continuous 的輸出結果，也就是說我們嘗試去map輸入變數到一些連續的方程。...
機器學習第一講
含義 資料集中的樣本帶有標籤,有明確目標 回歸模型 線性回歸 嶺回歸 lasso和回歸樣條等 分類模型 邏輯回歸 k近鄰 決策樹 支援向量機等 垃圾郵件分類 病理切片分類 客戶流失預警 客戶風險評估 房價 等。資料集中的樣本沒有標籤,沒有明確目標 無監督學習 根據資料本身的分布特點,挖掘反映資料的內...