数据分析实战45讲
陈旸
清华大学计算机博士
立即订阅
17221 人已学习
课程目录
已完结 48 讲
0/4登录后,你可以任选4讲全文学习。
开篇词 (1讲)
开篇词 | 你为什么需要数据分析能力?
免费
第一模块:数据分析基础篇 (16讲)
01丨数据分析全景图及修炼指南
02丨学习数据挖掘的最佳路径是什么?
03丨Python基础语法:开始你的Python之旅
04丨Python科学计算:用NumPy快速处理数据
05丨Python科学计算:Pandas
06 | 学数据分析要掌握哪些基本概念?
07 | 用户画像:标签化就是数据的抽象能力
08 | 数据采集:如何自动化采集数据?
09丨数据采集:如何用八爪鱼采集微博上的“D&G”评论
10丨Python爬虫:如何自动化下载王祖贤海报?
11 | 数据科学家80%时间都花费在了这些清洗任务上?
免费
12 | 数据集成:这些大号一共20亿粉丝?
13 | 数据变换:考试成绩要求正态分布合理么?
14丨数据可视化:掌握数据领域的万金油技能
15丨一次学会Python数据可视化的10种技能
16丨数据分析基础篇答疑
第二模块:数据分析算法篇 (20讲)
17 丨决策树(上):要不要去打篮球?决策树来告诉你
18丨决策树(中):CART,一棵是回归树,另一棵是分类树
19丨决策树(下):泰坦尼克乘客生存预测
20丨朴素贝叶斯分类(上):如何让机器判断男女?
21丨朴素贝叶斯分类(下):如何对文档进行分类?
22丨SVM(上):如何用一根棍子将蓝红两色球分开?
23丨SVM(下):如何进行乳腺癌检测?
24丨KNN(上):如何根据打斗和接吻次数来划分电影类型?
25丨KNN(下):如何对手写数字进行识别?
26丨K-Means(上):如何给20支亚洲球队做聚类?
27丨K-Means(下):如何使用K-Means对图像进行分割?
28丨EM聚类(上):如何将一份菜等分给两个人?
29丨EM聚类(下):用EM算法对王者荣耀英雄进行划分
30丨关联规则挖掘(上):如何用Apriori发现用户购物规则?
31丨关联规则挖掘(下):导演如何选择演员?
32丨PageRank(上):搞懂Google的PageRank算法
33丨PageRank(下):分析希拉里邮件中的人物关系
34丨AdaBoost(上):如何使用AdaBoost提升分类器性能?
35丨AdaBoost(下):如何使用AdaBoost对房价进行预测?
36丨数据分析算法篇答疑
第三模块:数据分析实战篇 (7讲)
37丨数据采集实战:如何自动化运营微博?
38丨数据可视化实战:如何给毛不易的歌曲做词云展示?
39丨数据挖掘实战(1):信用卡违约率分析
40丨数据挖掘实战(2):信用卡诈骗分析
41丨数据挖掘实战(3):如何对比特币走势进行预测?
42丨当我们谈深度学习的时候,我们都在谈什么?
43丨深度学习(下):如何用Keras搭建深度学习网络做手写数字识别?
第四模块:数据分析工作篇 (2讲)
44丨如何培养你的数据分析思维?
45丨求职简历中没有相关项目经验,怎么办?
加餐 (1讲)
加餐丨在社交网络上刷粉刷量,技术上是如何实现的?
结束语 (1讲)
结束语丨当大家都在讲知识和工具的时候,我更希望你重视思维和实战
数据分析实战45讲
登录|注册

42丨当我们谈深度学习的时候,我们都在谈什么?

陈旸 2019-03-20
在算法篇中,我们已经讲了数据挖掘十大经典算法,在实战篇中也了解了随机森林、逻辑回归的概念及工具使用。这些算法都属于传统的机器学习算法。你肯定听说过这两年很火的深度学习,那么机器学习算法和深度学习有什么关联呢?
在这篇文章中,我们会通过以下几个方面了解深度学习:
数据挖掘、机器学习和深度学习的区别是什么?这些概念都代表什么?
我们通过深度学习让机器具备人的能力,甚至某些技能的水平超过人类,比如图像识别、下棋对弈等。那么深度学习的大脑是如何工作的?
深度学习是基于神经网络构建的,都有哪些常用的网络模型?
深度学习有三个重要的应用领域,这三个应用领域分别是什么?

数据挖掘,机器学习,深度学习的区别是什么?

实际上数据挖掘和机器学习在很大程度上是重叠的。一些常用算法,比如 K-Means、KNN、SVM、决策树和朴素贝叶斯等,既可以说是数据挖掘算法,又可以说是机器学习算法。那么数据挖掘和机器学习之间有什么区别呢?
数据挖掘通常是从现有的数据中提取规律模式(pattern)以及使用算法模型(model)。核心目的是找到这些数据变量之间的关系,因此我们也会通过数据可视化对变量之间的关系进行呈现,用算法模型挖掘变量之间的关联关系。通常情况下,我们只能判断出来变量 A 和变量 B 是有关系的,但并不一定清楚这两者之间有什么具体关系。在我们谈论数据挖掘的时候,更强调的是从数据中挖掘价值。
取消
完成
0/1000字
划线
笔记
复制
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
该试读文章来自付费专栏《数据分析实战45讲》,如需阅读全部文章,
请订阅文章所属专栏。
立即订阅
登录 后留言

精选留言(8)

  • 庄忠惠
    老师,之前介绍的算法模型这么多,实际工作中,怎么选择合适的算法
    2019-03-20
    11
  • third
    对深度学习的理解,一层套一层,有点像筛子,逐渐过滤杂质,直到事情的本质。

    使用场景,图像识别,人脸识别等
    2019-03-21
    1
    5
  • Icey
    苹果的人脸识别系统就是深度学习吧,对同一个人的不同妆容学习,不会出现化妆卸妆识别不一致的情况
    2019-03-21
    2
  • 梁林松
    我是做医学检验的,简单的讲就是化验室,现在图像识别技术在影像和病理用的比较多。检验方面也有,(其实,医学检验和病理存在着一定范围的重叠区域。)比如罗氏的尿流式分析仪E411,在传统干化学基础上加入了图像识别部分,每次会出20几张图,把有问题的细胞标出来让人来判断。我看了一下,分类基本还好,除了会偶尔把圆形上皮细胞误认为红细胞外,白细胞,上皮细胞,都能识别出来。只是,他们没有数据收集部分,就我校正过的结果他们没有收集流程。只是根据每次系统更新的数据来识别细胞。至于,病理和影像的图像识别,现在已经有不少公司在做了。但也只能是辅助减少医生的工作强度而已。
    2019-03-20
    2
  • 行者
    通俗易懂,谢谢老师让我了解了三者的区别、
    2019-04-22
    1
  • 老师,一般数据量去到多大规模时用深度学习效果好于机器学习?
    2019-03-20
    1
  • Ronnyz
    深度学习通过神经网络实现,只需要数据输入,神经网络就能自我训练,输出结果,至于中间的训练过程就基本处于黑盒状态。相较于机器学习,它要求更少的“人工”,更大的数据量。
    2019-11-30
  • 王彬成
    1、深度学习通过不断地前向传播和后向传播,自动优化神经网络的参数,从而得到一个适应与训练数据的模型。
    2、深度学习的应用场景:人脸技术、图像识别、智能监控、文字识别。
    2019-03-20
收起评论
8
返回
顶部