定義：自動從已有資料中找出一些規律，把學到的這些規律應用到對未來資料的**中，或者在不確定環境下自動的做決策
分類：
監督學習：
線性回歸
邏輯回歸
樸素貝葉斯
神經網路
svm隨機森林
adaboost
cnn
無監督學習：
k-means 聚類
pca 協方差矩陣降維
ica 降維
mf 矩陣分解降維 推薦系統
lsalda 分析主題
生成模型：學習特點
判別模型：學習區別
監督學習
無監督學習
生成模型
***** bayes
hmm模型、lda，gmm
判別模型
邏輯回歸、crf模型
建模過程
資料→清洗→特徵工程（特診決定系統上限，選擇模型不斷逼近上限）→建模→**
端到端方法:不做特徵工程 例如seq2seq 更多用於影象識別
資料
訓練資料:搭建模型
測試資料:測試模型
機器學習定義 機器學習與資料建模 分析的區別
先來看一則開場白 看完這段話，可以發現這裡涉及了很多基於 經驗 而做出的判斷。換句話說就是 通過對經驗的利用，就能對新的情況做出有效的決策。筆者摘錄了兩則，大家批評接受 機器學習它致力於研究如何通過計算手段，利用 經驗 來改善系統自身的效能。計算機裡 經驗 通常以 資料 形式存在，因此機器學習所研究...
機器學習 資料探勘 kNN分類器
以kaggle練習賽digit recognizer為例 輸入 訓練資料集 t x1,labe l1 x2,labe l2 x3,labe l3 xn,labe ln 其中，x i 為例項的特徵向量，la beli 為例項的類別 輸出 例項 x 的類別la bel 1 根據給定的距離度量，計算例項 ...
資料分析學習筆記 資料探勘建模過程
1.確定資料探勘的目標 2.資料取樣 3.資料整理 4.構建資料模型 5.模型評價 6.模型應用 針對具體的資料探勘應用需求，首先要確定本次資料探勘的目標是什麼？系統完成之後能夠達到什麼樣的效果？要想充分發揮資料探勘的價值，必須對目標有乙個清晰明確的定義，即決定到底想幹什麼？在明確了需要進行資料探勘...