既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測(cè)模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因?yàn)樗麄儷@得的用戶數(shù)據(jù)是數(shù)以億計(jì)的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機(jī)器學(xué)習(xí)算法。如果你有一個(gè)大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個(gè)圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對(duì)你有幫助，你可以多表?yè)P(yáng)，也可以關(guān)注它。謝謝您

請(qǐng)問大數(shù)據(jù)就業(yè)的方向都有什么呢？如何進(jìn)行選擇合適的機(jī)構(gòu)呢？

它可以分為兩種：第一種是編寫一些Hadoop和spark應(yīng)用程序；第二種是開發(fā)大數(shù)據(jù)處理系統(tǒng)本身。理論和實(shí)踐的要求更加深刻，技術(shù)性更強(qiáng)。

學(xué)習(xí)大數(shù)據(jù)開發(fā)有一些困難。要開始使用零基，首先要學(xué)習(xí)java語(yǔ)言打基礎(chǔ)，然后進(jìn)入大數(shù)據(jù)技術(shù)學(xué)習(xí)系統(tǒng)，主要學(xué)習(xí)Hadoop、Spple、S暴等！可以分為兩類：一是偏向于產(chǎn)品和操作，更注重業(yè)務(wù)，主要包括日常業(yè)務(wù)異常監(jiān)測(cè)、客戶及市場(chǎng)調(diào)研、參與產(chǎn)品開發(fā)、建立數(shù)據(jù)模型、提高運(yùn)營(yíng)效率等；另一方面更注重?cái)?shù)據(jù)挖掘技術(shù)，門檻更高，需要扎實(shí)的算法能力和代碼能力。同時(shí)，薪水也更好。

如果你想成為一名大數(shù)據(jù)分析師，數(shù)學(xué)和統(tǒng)計(jì)學(xué)的基礎(chǔ)非常重要。數(shù)據(jù)分析通常有兩種方法，一種是統(tǒng)計(jì)分析，另一種是機(jī)器學(xué)習(xí)。

https://www.toutiao.com/i6721603326330274315/

請(qǐng)各位機(jī)器學(xué)習(xí)大佬幫忙！請(qǐng)問有沒有一種分類算法，可以根據(jù)特征值得重要性來進(jìn)行訓(xùn)練數(shù)據(jù)？

在許多傳統(tǒng)的機(jī)器學(xué)習(xí)實(shí)踐中，除了算法選擇和目標(biāo)函數(shù)外，特征工程應(yīng)該是訓(xùn)練模型中最需要人工干預(yù)的部分。我們可以粗略地理解特征工程，即人們?yōu)橛?xùn)練計(jì)劃找到若干組特征（或合成若干基本特征生成更復(fù)雜的特征），并通過數(shù)據(jù)處理過程處理特征值以反饋給訓(xùn)練者。對(duì)于每個(gè)特征的權(quán)重和關(guān)系，訓(xùn)練方案在訓(xùn)練過程中不斷優(yōu)化，以逼近設(shè)定目標(biāo)函數(shù)的最優(yōu)解。如果訓(xùn)練過程成功完成，則最終確定每個(gè)特征的權(quán)重和關(guān)系，這些權(quán)重和關(guān)系構(gòu)成訓(xùn)練模型中的各種參數(shù)。因此，如果所有特征（包括關(guān)系）的權(quán)重都是固定的，則根本不需要進(jìn)行任何訓(xùn)練，這意味著您已經(jīng)有了一個(gè)經(jīng)過訓(xùn)練的模型。當(dāng)然，如果只有一部分特征權(quán)值是固定的，或者只是初始化一個(gè)有利于訓(xùn)練收斂的權(quán)值，或者權(quán)值是固定的，則可以在訓(xùn)練中調(diào)整一些關(guān)系。那是另一回事。

事實(shí)上，特征的選擇和特征的二次處理是一個(gè)非常繁重的過程，由于人為因素可能會(huì)干擾訓(xùn)練效果。這種干擾，有時(shí)會(huì)造成訓(xùn)練本身的大小偏差。所以，當(dāng)模型愚蠢的時(shí)候，也許人類的干預(yù)會(huì)產(chǎn)生很多積極的效果。然而，隨著模型變得越來越強(qiáng)大，之前引入的人為干預(yù)過程往往是模型偏頗、無法更完美演化的原因。因此，一些新的算法傾向于讓機(jī)器做更多的事情，包括簡(jiǎn)化輸入特征和處理原始特征，甚至避免人工干預(yù)訓(xùn)練過程。例如，以AI go為例。在阿爾法狗系列之前，很多圍棋人工智能需要很多人工功能。這些人工特征肯定會(huì)讓圍棋人工智能更聰明，但同時(shí)，也會(huì)產(chǎn)生各種偏執(zhí)。alpha dog系列將輸入特性簡(jiǎn)化到了極致，只留下了最基本的go規(guī)則，不能刪除。即使是為了避免人為偏差，即使是訓(xùn)練數(shù)據(jù)也不是根據(jù)每個(gè)人的棋局得分，而是完全通過機(jī)器的自我博弈來理解和學(xué)習(xí)圍棋，最終“進(jìn)化”成一個(gè)無敵的圍棋神。