餘建陶
模型是怎麼工作的 我們會大致的介紹機器學習是怎麼工作的以及如何使用這些模型。如果你學習過統計建模或者機器學習相關的課程，你會覺得有些簡單。別擔心，我們後面會有深入的課程 這個微課堂會讓你基於以下情景建模： 你的堂弟炒房賺了數百萬美元，他想找你合夥，他來提供資金，你會提供預測各種房屋價值的模型。 你問你的堂弟他過去如何預測房地產價值。他說以前只是直覺，但是他發現了一些價格模式，他正在考慮利用這些模式來對新房進行預測。 機器學習的工作方式是類似的...
機器學習【初探建模那些事兒】：2.先來看看數據吧
使用pandas來看看數據先 任何機器學習項目的第一步都是熟悉數據，你將會使用到pandas庫，pandas是數據科學家用於探索和操作數據的主要工具 大多數人在他們的代碼中將pandas縮寫為pd. 我們一般這麼來使用pandas庫中最重要的部分是DataFrame。 DataFrame包含你可以認為是表的數據類型。 這類似於Excel中的工作表或SQL數據庫中的表。 pandas提供了強大的功能來操作此類數據類型 在這個案例裡，我們將查看澳大利亞墨爾本的房價數據。 在動手練習中...
機器學習【初探建模那些事兒】：3.人生第一個模型
選擇建模數據 你的數據集有太多的變量了，你怎麼能來選擇它們呢？ 我們首先使用直覺選擇一些變量。 後面的課程將向你展示自動確定變量優先級的統計技術。 要選擇變量/列，我們需要查看數據集中所有列的列表。 這是通過DataFrame的columns屬性（下面的代碼底部行）完成的。有很多方法可以選擇數據的子集。 我們會在後面微課程裡更深入地介紹了這些內容，但我們現在將重點關注: 1.點符號，我們用它來選擇“預測目標” 2.選擇列列表，我們用它來選擇“特徵” 預測目標...
機器學習【初探建模那些事兒】：4.模型驗證
什麼是模型驗證 你已經在上一節裡建立並且擬合了一個模型，但是你如何知道這個模型究竟好不好 在本篇中，你將學習到如何使用模型驗證來衡量模型的質量，測量模型質量是迭代改進模型的關鍵。 模型驗證基本是所有建模工作裡都要涉及的工作，在大多數應用中，模型質量的衡量標準一般是預測準確性，換句話說，模型的預測是否接近實際發生的情況。 在測量預測準確性時，許多人犯了一個大錯誤。他們使用他們的訓練數據進行預測，並將這些預測與訓練數據中的目標值
兩個蘋果的世界
機器學習算法也就是ML，Machine Learning，是目前很火的人工智能算法的一部分，除了機器學習算法以外，還有深度學習算法和傳統的統計學算法。而機器學習領域最簡單的算法呢，我認為可以是隨機森林算法，或者是支持向量積，因為這些是比較常見的分類算法，在生產環境中使用廣泛，如果是初學者建議可以從傳統的統計學算法開始，比如邏輯迴歸或者線性迴歸等，進階再接觸機器學習算法，最終可以瞭解一下深度學習的神經網絡相關算法。
希望我的回答能對您有幫助。
蘑菇巨蛋
難者不會，會者不難。所以你只要學會了就都簡單。這裡從概念、算法分類、過程三個方面做個回答。
首先，要分的清楚概念，人工智能→機器學習→深度學習。人工智能是一個大的概念，是讓機器像人一樣思考甚至超越人類；而機器學習是實現人工智能的一種方法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測；深度學習是機器學習的一種實現方式，通過模擬人神經網絡的方式來訓練網絡；而統計學是機器學習和神經網絡的一種基礎知識。
其次，機器學習算法可以分為傳統的機器學習算法和深度學習。傳統機器學習算法主要包括以下五類：
迴歸：建立一個迴歸方程來預測目標值，用於連續型分佈預測
分類：給定大量帶標籤的數據，計算出未知標籤樣本的標籤取值
聚類：將不帶標籤的數據根據距離聚集成不同的簇，每一簇數據有共同的特徵
關聯分析：計算出數據之間的頻繁項集合
降維：原高維空間中的數據點映射到低維度的空間中
最後，機器學習最大的特點是利用數據而不是指令來進行各種工作，其學習過程主要包括：數據的特徵提取、數據預處理、訓練模型、測試模型、模型評估改進等幾部分。
綜上，希望對你有用。
IT星星
機器學習算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。
最簡單和常見的就是決策樹算法：
根據一些 feature（特徵） 進行分類，每個節點提一個問題，通過判斷，將數據分為兩類，再繼續提問。這些問題是根據已有數據學習出來的，再投入新數據的時候，就可以根據這棵樹上的問題，將數據劃分到合適的葉子上。
三不猴vip
排序法簡單，貝葉斯方法也簡單。
