聚类：K均值（Kmeans）、最近邻算法（KNN）、希望最大值算法（EM）、隐含狄利克雷散布（LDA）分类：支撑向量机（SVM）、逻辑回归（LR）、梯度下降树（GBDT）、随机森林（RF）、朴素贝叶斯（NB）、深层神经网络（DNN）、卷积神经网络（CNN）、LSTM(Long Short-Term Memory)回归：一般最小二乘回归（OLS）、梯度下降树（GBDT）降维：主成分剖析（PC......
与机器学习数学根底 第二部分 机器学习概述 第三部分 监督学习---分类与回归 第四部分 非监督学习---聚类与相关剖析 第五部分 Python 数据预处理 第六部分 数据结构与
（Data mining）又译为材料探勘、数据采矿。它是数据库常识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个进程。
一般与核算机科学有关，并经过核算、在线剖析处理、情报检索、机器学习、专家系统（依托曩昔的阅历规律）和形式识别等许多办法来完成上述方针。
发现了买尿布的顾客常常也会买啤酒后超市把两者摆在一同，然后提高了两者的销量。详细原因是:年青的父亲下班回家的路上需要给孩子买尿布，但他们又没空去酒吧，所以就一般也给自己买一些啤酒
决议计划树，又称断定树，是一种类似二叉树或多叉树的树结构。决议计划树是用样本的特点作为结点，用特点的取值作为分支，也便是类似流程图的进程，其间每个内部 节点表明在一个特点上的测验，每个分支代表一个测验输出，而每个树叶节点代表类或类散布...
的全称号叫做k-nearest neighbor classification，也便是K最近邻，...
是数据库中常识发现（kdd）必不可少的部分 (2)数据库技术天然的演化, 有巨大的需求和宽广的使用。 常识发现的进程包含了数据清洗, 数据集成, 数据挑选, 数据转化,
功用: 特征, 差异, 相关, 分类, 聚类, 孤立点和趋势剖析等. (3)
是指从数据库的许多数据中提醒出隐含的、从前不知道的并有潜在价值的信息的非普通进程。
、机器学习、形式识别、核算学、数据库、可视化技术等，高度自动化地剖析企业的数据，作出概括性的推理，从中发掘出潜在的形式，协助决议计划者调整商场战略，削减危险，作出正确的决议计划。常识发现进程由以下三个阶段组成：①数据预备；②
是以信息论为根底，以信息熵和信息增益度为衡量标准，然后完成对数据的概括分类。ID3
核算每个特点的信息增益，并选取具有最高增益的特点作为给定的测验特点。 C4.5
本文首要剖析皆来自其他材料，借用较为威望的总结来对我现已学习的这些经典
做一个极为精简的概述（依据本身阅历有必定修正），别的一起附上机器学习实战中作者对各种
的点评。别的机器学习实战这本书是自己看了这么多书本或许材猜中仅有一本坚持从头看到尾，看完了的书本，包含其间的代码皆实践运转过，收成颇多，个人认为尽管这本书时刻上现已算是老材料了，但其间作者的各种总结和代码的演练都由浅入深（条件仍是要有一点...
(1) C4.5 机器学习中，决议计划树是一个猜测模型；他代表的是方针特点与方针值之间的一种映射联系。树中每个节点表明某个方针，而每个分叉途径则代表的某个或许的特点值，而每个叶结点则对应从根节点到该叶节点所阅历的途径所表明的方针的值。决议计划树仅有单一输出，若欲有复数输出，能够树立独立的决议计划树以处理不同输出。 从数据发生决议计划树的机器学习技术叫做决议计划树学习, 浅显说便是决议计划
概念： 从许多的、扑朔迷离的数据中发掘哪些令人感兴趣的（易被了解、新颖的、潜在有用的、非普通的）形式或常识 构成
的三要素： 形式记叙言语 形式点评 形式探究 数据仓库是一个面向主题的、集成的、时变的、非易失的数据调集，支撑办理进程的决议计划进程。 首要办法 分类 聚类 相关规矩 回归 其他 怎么处理噪音数据? 分箱 聚类 核算机和人工查看相结合 回归 频频形式: 频频出现在数据会集的形式(如项集、子序列或子结
的介绍，和现在的情况，未来的开展发向，介绍的很详细，现在被许多论文引证，所以说学习
首要分为三大类:机器学习办法、核算办法与神经网络办法。机器学习办法分为决议计划树、根据典范学习、规矩概括与遗传
等:核算办法细分为回归剖析、时刻序列剖析、相关剖析、聚类剖析、含糊集、粗糙集、探究..
进行详解，以催促自己重新学习，仔细收拾、了解以及做好笔记，防止再次忘记。 许多
是最要害的作业。大数据的发掘是从海量、不完全的、有噪声的、含糊的、随机的大型数据库中发现隐含在其间有价值的、潜在有用的信息和常识的进程,也是一种决议计划支撑进程。其首要根据
,机器学习,形式学习,核算学等。经过对大数据高度自动化地剖析,做出概括性的推理,从中发掘出潜在的形式,能够协助企业、商家、用户调整商场方针、削减危险、理性面临商场,并做出正确的决议计划。现在,在许多范畴尤其是在商业范畴如银行、电信、电商等,
能够处理许多问题,包含商场营销战略拟定、布景剖析、企业办理危机等。大数
一个优异的数据剖析师，除了要把握根本的核算学、数据库、数据剖析办法、思想、数据剖析东西技术之外，还需要把握一些
的思想，协助咱们发掘出有价值的数据，这也是数据剖析专家和一般数据剖析师的距离之一。
使命分类1、猜测性和描述性的首要差异在于是否有方针变量2、猜测性包含分类和回归：（1）分类：输出变量为离散型，常见的
包含（朴素）贝叶斯、决议计划树、逻辑回归、KNN、SVM、神经网络、随机森林。（2）回归：输出变量为接连型。3、描述性包含聚类和相关：（1）聚类：完成对样本的细分，使得同组内的样本特征较为类似，不同组的样本特征差异较大。例如零售客户细分。（2）相关：:指的是咱们想发现数据
一个优异的数据剖析师不只要把握根本的核算、数据库、数据剖析办法、思想、数据剖析东西和技术，还要把握一些
的思路，协助咱们发掘出有价值的数据，这也是数据剖析专家和一般数据剖析师的距离之一。
Nello416:你这个了解错了吧，用你这个tensor生成的是2个语句，每个语句3个词，1，2，4是一句线是一句话
