预备：把实际问题转化为机器学习问题，即能够从现有的数据中学的某种规律，从而解决实际问题（预测或分类） 机器学习是数据和模型的结合。 一.获取数据：人工合成、爬虫、数据库、公开数据集、收集数据... 二.数据预处理: 1.数据清洗：缺失数据、重复数据、一致性检验 2.数据 ...

在微博上看到七月算法寒老师总结的完整机器的学习项目的工作流程，结合天池比赛的经历写的。现在机器学习应用非常流行，了解机器学习项目的流程，能帮助我们更好的使用机器学习工具来处理实际问题。 1. 理解实际问题，抽象为机器学习能处理的数学问题 理解实际业务场景问题是 ...

介绍 这篇博客是本人学习机器学习过程中的总结笔记，包含很多有用的学习资料，希望可以帮助萌新铺好入门的路。 个人认为，入门机器学习可以分以下几个阶段： 了解机器学习的流程-->先熟悉模型应用场景，大致原理-->学习实操建模，把模型跑起来，并检验模型的效果-->研究数学原理 ...

前言 　　特征是数据中抽取出来的对结果预测有用的信息，可以是文本或者数据。特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。过程包含了特征提取、特征构建、特征选择等模块。 　　特征工程的目的是筛选出更好的特征，获取更好的训练数据。因为好的特征具有更强 ...

一、机器学习的四个分支 前边我们已经学习了深度学习的分类问题，其目标是通过学习输入的训练数据和标签，来学习两者之间的关系，这是典型的监督学习。 机器学习算法大致可以分为四类 * 监督学习 监督学习将输入的样本数据映射到标注的标记，是目前最常见的机器学习类型。 目前广受关注的深度学习 ...

1、机器学习算法的整体使用步骤如下： (1)从scikitlearn库中调用相应的机器学习算法模块；(2)输入相应的算法参数定义一个新的算法；(3)输入基础训练数据集利用scaler对其进行数据归一化处理 (4)对于归一化的数据集进行机器学习算法的训练fit过程；(5)输入测试数据 ...

1 什么是机器学习 机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。 2 机器学习工作流程 1.获取数据 2.数据基本处理 3.特征工程 4.机器学习(模型训练) 5.模型评估 结果达到要求，上线服务 没有达到要求，重新上面 ...

上一讲中主要描述了机器学习特征工程的基本流程，其内容在这里：机器学习（一）特征工程的基本流程 本次主要说明如下： 　　1）数据处理：此部分已经在上一节中详细讨论 　　2）特征工程：此部分已经在上一节中详细讨论 　　3）模型选择 　　4）交叉验证 　　5）寻找最佳超参数 首先看下总图 ...