1.什麼是機器學習？
概念：利用計算機從歷史資料中找到規律，並把這些規律用到未來不確定場景的決策。
場景：（人來幹）資料分析+（計算機來幹）機器學習
2.資料（歷史資料）
3.規律
從資料中找出規律
概率論和數理統計
（先抽樣->描述統計->假設檢驗）
用模型刻畫（擬合）規律（維度較少時還能用，多維的不可用）
4.機器學習發展的原動力
經濟驅動『資料變現、用資料代替expert
5.業務系統發展的歷史
基於專家經驗（頭腦風暴。。然後交給程式設計師寫iferlse）
基於統計-分緯度統計（依靠業務報表，資料倉儲，olap統計）
6.機器學習的典型應用
（1）關聯規則：「啤酒+尿片」
（2）使用者細分精準營銷：聚類（動感地帶、神州行、全球通）
（3）垃圾郵件：樸素貝葉斯
（4）信用卡欺詐：決策樹（銀行是否可以貸款給你，即風險識別）
（5）網際網路廣告：ctr預估【現行邏輯回歸】
（6）推薦系統：協同過濾
（7）自然語言處理：情感分析+實體識別+識別（深度學習）
............更多應用，包括語音識別、自動駕駛、智慧型機械人等等
7.機器學習和資料分析的區別
（一）資料特點不同：行為資料 vs 交易資料
海量資料 vs 少量資料
全量分析 vs 取樣分析
（二）解決業務問題不同：**未來 vs 歷史發生
（三）技術手段不同： clap vs 資料探勘
資料驅動 vs 使用者驅動
自動進行知識發現 vs 互動式分析
（四）參與者不同：計算機 vs 資料分析師
8.機器學習演算法分類
第一種分類方法：有監督學習
無監督學習
半監督學習
第二類分類演算法：分類和回歸
聚類標註
第三種分類方法（重要）：生成模型（模稜兩可）【訓練模型思想上有本質區別】
判別模型（給定判斷）
9.機器學習中常用的演算法：
10.機器學習解決問題的框架：
確定目標：業務需求->資料->特徵工程
定義模型：定義損失函式->優化演算法
模型評估：交叉驗證->效果評估
軟工學習 理論篇
在學軟工之前先明確 何為軟體工程，它能做什麼，怎麼做才能為我們所用。先對軟體有乙個初步認識 軟體 程式 資料 文件。軟體是相對於硬體來說的，對比可以總結出軟體的特點 邏輯性 複雜性 高費用。軟體著實給人們帶來了很大的便利，但是它的發展不可能一帆風順的，中間肯定會遇到一系列的問題，產生軟體危機。應時代...
機器學習理論 GMM模型
李航.統計學習方法中高斯混合模型僅介紹一元高斯分布的情況，周志華.機器學習則採用多元高斯分布的寫法，但求解過程不夠突出em演算法的思想。此外，李航.統計學習方法中的一些寫法會產生誤解。因此下面過程主要根據李航.統計學習方法中的推導方法，但會有部分修正。gmm演算法主要利用em演算法來估計高斯混合模型...
機器學習 理論知識
一 混淆矩陣 confusion matrix 混淆矩陣也稱誤差矩陣，是表示精度評價的一種標準格式，用n行n列的矩陣形式來表示。具體評價指標有總體精度 製圖精度 使用者精度等，這些精度指標從不同的側面反映了影象分類的精度。在人工智慧中，混淆矩陣 confusion matrix 是視覺化工具，特別用...