1、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场景的决策。

2、机器学习的典型应用及相关算法

购物篮分析（看哪几种商品被同时购买）

• 关联规则

用户细分精准营销（比如针对不同用户提供不同类型的电话卡）

• 聚类

垃圾邮件

• 朴素贝叶斯

信用卡欺诈（银行贷款风险识别）

• 决策树

互联网广告（比如百度浏览结果，根据预估用户点击可能排序）

• ctr预估

推荐系统（各电商）

• 协同过滤

自然语言处理

• 情感分析
• 实体识别

图像识别

• 深度学习

更多：

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

3、机器学习和数据分析的区别

1）数据特点

交易数据VS行为数据

少量数据VS海量数据

采样分析VS分量分析

数据分析用的是交易数据，就是与钱有关的数据，如银行的存取款账单、电商的用户订单、电信的话费账单等，数量少，精准度高。

机器学习用行为数据，如对一个互联网公司来说，他的用户行为就包括用户的搜索历史、浏览历史、点击历史、评论等，这些行为的数据就是行为数据，数量大，精度低。

2）解决业务问题不同

数据分析报告过去的事情

机器学习预测未来的事情

3）技术手段不同

数据分析由用户驱动，交互式分析

机器学习由数据驱动（算法驱动），自动进行知识发现

4）参与者不同

数据分析由分析师能力决定结果，目标用户是公司高层

机器学习由数据质量决定结果，目标用户是个体

4、机器学习算法分类

算法分类（1）

• 有监督学习

• 无监督学习
  eg：聚类
• 半监督学习
  可能有一些y值，但一开始训练并不好，随着样本数据增多，训练越来越好。

算法分类（2）

• 分类与回归
• 聚类
• 标注
  

算法分类（3）重要

• 生成模型
• 判别模型

5、机器学习常见算法一览

6、机器学习解决问题的框架

1）确定目标

• 业务需求
• 数据
• 特征工程

2）训练模型

• 定义模型
• 定义损失函数
• 优化算法

3）模型评估

• 交叉验证
• 效果评估

学习参考：慕课网_初识机器学习-理论篇