基本流程

• 1.获取数据
• 2.数据处理
• 3.特征工程
• 4.机器学习
• 5.模型评估
  • 5.1 结果达到预期要求使用
  • 5.2 结果没达到预期要求重新调整参数训练

基本流程详解

• 获取数据
  • 数据采集方式（
    • 爬虫
    • 自己网站
    • app埋点
    • 购买数据
    • 通过数据服务商
• 数据处理
  • 前期处理
    • 无量纲化
      • 标准化
      • 区间缩放法
      • 标准化和归一化
    • 对定量特征二值化
    • 对定性特征哑编码
    • 缺失值计算
    • 数据变换
• 特征工程 (数据和特征决定了机器学习的上限)
  • 特征选择
    • Filter
      • 方差选择法
      • 相关系数法
      • 卡方检验
      • 互信息法
    • Wrapper
      • 递归特征消除法
    • Embedded
      • 基于惩罚项的特征选择法
      • 基于树模型的特征选择法
  • 降维
    • 主成分分析法（PCA）
    • 线性判别分析法（LDA）
• 机器学习
  • 读取数据
  • 开始训练
    • 可以联机学习
    • 可以分段学习
  • 保存模型
  • 评估
• 模型评估
  • 主要参数
    • 召回率
    • 覆盖率
  • 其他指标

解决的问题

• 1.分类问题
  • 1.1 准备带标签的数据
  • 1.2 训练并检验
  • 1.3 分类（离散）
• 2.回归问题
  • 2.1 准备带标签的数据
  • 2.2 训练并检验
  • 2.3 回归（连续）
• 3.聚类问题
  • 3.1 准备不带标签的数据
  • 3.2 聚类

阐述人工智能学习锻炼平台

1.和鲸社区
2.kaggle
3.飞浆 AI Studio
4.天池大数据
5.datafountain