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性场景的决策
确定性：太阳
不确定性：公司业绩销量
如何解决？规律？从历史数据中挖出来的
1.主体是计算机----机器学习
主体是人----数据分析，效果依赖于人的经验知识水平
机器学习可以看作是框架，算法
2.数据：历史数据
3.规律：从数据中寻找规律，机器学习算法找出的结果规律
算法找出一个数学函数，数学公式
规律落实到程序中：机器学习系统自动生成
从数据中寻找规律
概率论（基石）和统计学
统计学：运算能力的限制，依赖于采样，（样本计算平均值，反作用于整体），描述统计，验证结论是否靠谱（假设检验）
机器学习：单机，集群，不需要抽样，对全量数据处理找规律
预测温度变化，
观察数据，可视化展示发现规律，直观感受（上下波动，总体上升）、
量化做计算比较，用模型刻画（拟合）规律：函数---函数曲线：正确的反应变化特征，寻找模型
维度增高（上百维），无法可视化发现规律，只能用数学模型
函数曲线拟合
机器学习发展的原动力
从历史书籍中找出规律，把这些规律用到对未来自动做出决定
用数据代替专家（网站推荐，业务逻辑，专家根据经验定义规则；用数据告诉规律）
经济驱动，数据变现（大数据概念的出现）
业务系统发展的历史
基于专家经验（运营产品头脑风暴）
基于统计----分维度统计（业务报表）OLAP分析，数据仓库，维度指标，定义规则
机器学习----在线学习
离线机器学习：p处理，晚上根据之前数据跑算法，模型，上线，第二天使用；再生成新模型
存在的问题：电商，双十一大量下单，消费模式与之前不同，离线模式推荐可能很不适合，用当天消费者的行为实时训练模型来推荐
在线学习：在线实时调整模型，用模型对消者指导（电商，百度）
机器学习典型应用
1.关联规则（啤酒和尿布）
购物篮分析：同时购买：捆绑销售，调整货架位置等
算法：关联规则，典型的数据挖掘算法
2.聚类
用户细分精准营销
移动套餐：品牌和用户定位（全球通，动感地带，神州行）
聚类：用户消费数据，运行算法，为用户分类，分析共同的消费特征，业务人员推品牌
3.朴素贝叶斯算法,决策树
垃圾邮件识别
决策树
信用卡欺诈（信贷风险识别（是否放贷：还款能力达不到，是否骗贷））
4.ctr预估和协同过滤
互联网广告，搜索引擎
搜索词条显示顺序
ctr预估，点击率预估，评估用户可能点击的概率排序-----线性逻辑回归
推荐系统
协同过滤
组合购买，
5.自然语言处理,图像识别,图像识别
情感分析，文本，评论
实体识别，提取文章中的人名地名企业名时间，提取文章主干
图像识别
深度学习
6.others
语音识别
个性化医疗
情感分析
人脸识别
自动驾驶
智慧机器人
私人虚拟助理
手势控制
视频内容自动识别
机器实时翻译
数据分析和机器学习的区别
1.数据特点：
交易数据（电商网站：用户下单；银行：用户存取款；电信：用户打电话发信息；跟钱有关的数据）vs行为数据（用户的搜索历史，点击浏览历史，评论）
少量数据vs海量数据
采样分析（交易数据：要求数据的一致性，用户转账，事务来保证）vs全量分析（行为数据：多一批少一批都无所谓（点击数据），不会影响整体分析，提取用户特征）
NOSQL数据库 Not Only SQL数据库，只能用来处理行为数据，分布式，CAP理论（保证吞吐量的前提下对一致性打折扣）
交易型数据：一定用于关系型数据库
2.解决业务问题不同
OLAP（报告历史发生的事）vs预测未来发生的事
过去两年那些用户拖欠贷款vs哪些用户可能会有坏账风险
3.技术手段和方法不同
分析方法：用户驱动（分析师分析）（交互式分析）（数据维度和属性受限）（OLAP工具）（成熟落伍）vs数据驱动（自动进行知识发现）（计算机算法自动计算给出结果）（大量维度属性）（发展阶段，部分已经成熟流行：推荐系统，点击预估）
4.参与者和受众不同
数据分析师（分析师能力决定结果）vs数据+算法（数据质量决定结果）
算法效果差异不悬殊，关键数据质量
服务用户不同：公司高层vs具体用户，个体（推荐产品）
机器学习常见算法和分类
算法分类：
1.对样本数据训练
有监督：训练数据中已经给出每一个样本类别（分类问题：提前打好标签），根据已知的y训练参数：分类算法和回归算法，模型目标训练出的y与已知的尽可能接近
无监督：训练数据没有y，聚类，提前不知道几类
半监督：强化学习，训练越来越好
2.对要解决的问题分类
分类与回归
聚类
标注：文本切分，标注动词形容词名词
3.根据算法的本质*****非常重要(两个算法的本质区别)
分类问题，训练数据模型的方法不同
生成模型：陪审团：给出属于各个类的概率，概率小不意味着不是该类别（模棱两可）
判别模型：法官给出结果：直接有一个函数，数据丢进去，给出类别（武断）
常见算法
1.决策树
分类 C4.5
CART（不再使用）
2.聚类Kmeans，无监督
3.分类，回归SVM（I曾经推崇的最好的算法），基础统计学习，数学理论****必考，推过程，应用问题，分类问题
4.关联分析Apriori（淘汰的算法，代价高，多次访问数据库，解决频繁项集挖掘），FP-growth，推荐系统解决的就是关联规则的
5.EM算法，统计学习，不是为了解决某一类问题，一个算法的框架
6.PageRank，链接挖掘
7.AdaBoost，集装与推进，决策树改进版，分类分类，人脸识别，有监督
8.KNN分类算法，有监督
9.朴素贝叶斯算法，分类
10.流行算法
FP-growth华人发明
逻辑回归，百度Google推荐，搜索结果排序
RF. GBDT，随机森林，决策树算法的改进
推荐算法，电商网站
LDA，文本分析，自然语言处理
Word2Vector，Google文本挖掘
HMM，CRF隐马尔科夫模型，条件随机场
深度学习
机器学习解决问题的框架
机器学习解决的问题：1，预测（所属分类，数值）（变量是连续型，离散型）2，聚类
解决同一个问题，共同的指导原则和思想
分类问题为例，逻辑回归，svm，随机森林，朴素贝叶斯
区别，共同地方
1.确定目标：
1.1业务需求，解决什么问题，预测产品推荐，预测需求量（滴滴打车天气）
1.2数据，收集历史数据，更精准
1.3特征工程，数据预处理，清晰整合，提取特征（打车需求，天气数据）70%时间精力
2.训练模型
2.1定义模型：回归分类问题，希望得到一个公式，参数是未知的，通过训练数据获得
*2.2定义损失函数：定义预测结果与真实结果的偏差大小，假设得到一个线性回归模型，无法得到精确解，寻找一个近似解，到底哪个模型更适合。针对数据集，只关心绝对值或平方；回归问题：数值预测-真实，分类问题误差评估；评价相似程度（评价模型）
*2.3优化算法：问题如何优化，在损失函数取最小值时，参数是什么；求函数极小值的优化问题；优化问题，凸优化问题，梯度下降等数学问题
3.模型评估
模型是学习的历史经验，验证能否预测未来
3.1交叉验证
3.2效果评估，评估结果报告，指标：准确率，召回率，平均方差
流程：
得到数据raw data with labels 回归分类问题
训练数据 验证数据
特征工程
模型训练结果，迭代，验证
效果评估（调整模型参数，或者特征工程）
机器学习图片识别demo演示
图片按照色彩聚类
特征工程：图片转换为可以运算的数据流，图片rgb二进制存储转换为可处理的数据格式
rgb转为hls格式（12个数字组成的一个数组或列表或向量），再提取特征
Kmeans聚类，跑结果，调整聚成几类
评价指标，用肉眼观察，看什么时候效果最好