机器学习

What

• 已有的数据
• 某种模型
• 利用此模型预测未来
• 机器学习界“数据为王”思想

历史

1. Python R 第一代工具 单机
2. Mahaout MR 第二代工具 分布式
3. Spark MLlib 第三代工具 分布式 迭代
4. H2O
5. Flink

历史总是惊人的相似

体现

• 计算：云计算
• 推理：专家系统
• 灵敏：事件驱动
• 知识：数据仓库
• 检索：搜索引擎
• 智慧：机器学习

用途

• 分类
• 预测
• 聚类
• 推荐

算法分类

• 有监督 学习（特征-features 样本-example 有标签）
  • 分类(做成单一决策)
    • 逻辑回归
    • 多元线性回归
  • 推荐(选择许多可能，并排序)
  • 预测
• 无监督 学习（有特征 无标签）
  • 聚类

名词

• 建模
• 训练集
• 测试集

Where

Why

做机器学习的大公司

• 百度
• 谷歌 AlphaGo
• 脸书

How

1. 收集数据
2. 准备输入数据
3. 分析输入数据
4. 训练算法
5. 测试算法
6. 使用算法

脑图

# 机器学习 ## 算法 ### 线性回归Liner Regression  #### 误差函数/损失函数  ##### 存在最小值 ### 回归 #### 多元线性回归 ##### 梯度下降法 ## 历史 ### 1. Python R 第一代工具 单机 ### 2. Mahaout MR 第二代工具 分布式 ### 3. Spark MLlib 第三代工具 分布式 迭代 ### 4. H2O ### 5. Flink ## 体现 ### - 计算：云计算 ### - 推理：专家系统 ### - 灵敏：事件驱动 ### - 知识：数据仓库 ### - 检索：搜索引擎 ### - 智慧：机器学习 ## 用途 ### - 分类 ### - 预测 ### - 聚类 ### - 推荐 ## 算法分类 ### - 有监督 学习（特征-features 样本-example 有标签） #### - 分类(做成单一决策) ##### - 逻辑回归 ##### - 多元线性回归 #### - 预测 #### - 推荐(选择许多可能，并排序) ### - 无监督 学习（有特征 无标签） #### - 聚类 ## 做机器学习的大公司 ### - 百度 ### - 谷歌 AlphaGo ### - 脸书