1.什么是机器学习？
概念：利用计算机从历史数据中找到规律，并把这些规律用到未来不确定场景的决策。
场景：{①确定性场景②不确定性场景}
（人来干）数据分析+（计算机来干）机器学习
2.数据（历史数据）
3.规律
从数据中找出规律{①数学函数②数学公式}
概率论和数理统计
（先抽样->描述统计->假设检验）
用模型刻画（拟合）规律（维度较少时还能用，多维的不可用）
4.机器学习发展的原动力
经济驱动‘数据变现、用数据代替expert
5.业务系统发展的历史
基于专家经验（头脑风暴。。然后交给程序员写iferlse）
基于统计-分纬度统计（依靠业务报表，数据仓库，olap统计）
机器学习-在线学习（实时调整）
6.机器学习的典型应用
（1）关联规则：“啤酒+尿片”
（2）用户细分精准营销：聚类（动感地带、神州行、全球通）
（3）垃圾邮件：朴素贝叶斯
（4）信用卡欺诈：决策树（银行是否可以贷款给你，即风险识别）
（5）互联网广告：ctr预估【现行逻辑回归】
（6）推荐系统：协同过滤
（7）自然语言处理：情感分析+实体识别+图片识别（深度学习）
............更多应用，包括语音识别、自动驾驶、智慧机器人等等
7.机器学习和数据分析的区别
（一）数据特点不同：行为数据 vs 交易数据
海量数据 vs 少量数据
全量分析 vs 采样分析
（二）解决业务问题不同：预测未来 vs 历史发生
（三）技术手段不同： CLAP vs 数据挖掘
数据驱动 vs 用户驱动
自动进行知识发现 vs 交互式分析
（四）参与者不同：计算机 vs 数据分析师
8.机器学习算法分类
第一种分类方法：有监督学习{ 分类算法 回归算法 }
无监督学习{ 聚类 }
半监督学习{ 强化学习 }
第二类分类算法：分类和回归
聚类
标注
第三种分类方法（重要）：生成模型（模棱两可）【训练模型思想上有本质区别】
判别模型（给定判断）
9.机器学习中常用的算法：
10.机器学习解决问题的框架：
确定目标：业务需求->数据->特征工程
定义模型：定义损失函数->优化算法
模型评估：交叉验证->效果评估