聚类作为一种数据挖掘工具，在生物学，商务智能以及Web搜索等方面有着广泛的应用。

主成分分析是一种经典的降维方法，但如果你只把主成分分析作为一种降维手段，那么你就太OUT了。

20世纪90年代后期，IBM深蓝（Deep Blue）研究了一系列的国际象棋算法，期望于打败当时的世界冠军加里•卡斯帕罗夫（Garry Kasparov）。

“预测”就是根据已知的输入和输出进行学习，并依照给定的新输入给出我们自己的判断。

对于不平衡数据集，一般的分类算法都倾向于将样本划分到多数类，体现在模型整体的准确率很高。

或许一场关于自然语言处理的精彩辩论可以告诉我们何谓“半个贝叶斯人”，让我们把时光拨回到几年前。

SVM目前的应用主要在模式识别领域中的文本识别、中文文本分类、人脸识别等，同时也在许多的工程技术和信息过滤等方面有着重要作用。

逻辑回归，也称LogisticRegression,主要区别于一般的线性回归模型。

概率论只不过是把常识用数学公式表达了出来。

通过这篇漫画，希望没有从过IT行业，或者不了解机器学习的朋友们能够对机器学习有一些初步的认知。

简单来讲，回归就是通过数据学习数量关系，然后利用这个数量关系去做预测。

企业数据科学仍然是一个新领域。许多学者还没有为真正的企业解决实际问题。因此，他们以与数据和业务环境分离的方式教授教科书算法。这可以在智力上很有趣。但是，如果学生认为这些课程能够很好地为数据科学家工作，那么他们就错了。

什么是数据挖掘 前两天看到群里有人问，什么是数据挖掘，现在就数据挖掘的概念做一下分析，并且尽量用大白话说一下数据挖掘到底是个啥东西，为啥大数据来了数据挖掘也火了(其实原来就挺火)。 先看一上概念： 数据挖掘(英语：Data mining)，又译为资料探勘、数据采矿。它是数据库知识发现(英语：Knowledge-Discovery in Databases，简…

聚天下之天才而观察之。把各行各业中的天才们收集起来，看看他们哪个星座人数多，哪个星座人数少。

Tensorflow是Google开发的开源机器学习库。本篇文章我们将使用Tensorflow对线性回归模型进行训练，并使用模型对数据进行预测。

假如，你手头上正有一个机器学习的项目。你通过各种渠道手机数据，建立你自己的模型，并且得到了一些初期的结果。你发现，在你的测试集上你只有80%的正确率，这远远地低于你的预期。现在怎么办，你怎么来改进你的模型？

朴素贝叶斯分类器基于词袋模型，通过词袋模型我们可识别出文本中出现的词属于积极还是消极，若这个词出现在积极的词语列表中，文本的总体分数 +1，若总体分数为正，该段文本被分类为积极，反之亦然。

我们就从最先进的AlphaZero入手开始讨论，这个模型总体结构其实是比较简单的，但是深入到细节方面，却又有很多值得学习之处。

大数据研究正在由前几年的新鲜技术变得越来越普及和商业化。同时，由于研究的向前推进，以数据为基础的人工智能、机器学习和物联网等其他各个领域也将会取得越来越大的成果。

通过人工智能和ML，你的企业将受益，因为它在运营上变得更加高效，并消除了那些似乎让你慢下来的日常任务。