搜尋結果
2016年12月12日 · 要製作目錄筆記首先很重要的就是「略讀」，打個比方就像是一位將軍上到戰場，他不必掌握整個細節，卻要能夠在極短的時間內掌握整個戰場的情勢，抓住大方向。 「略讀」這件事非常的重要，可以讓你避免見樹不見林的謬誤，這正好是大多數認真卻沒有方法的學習者常會犯的錯誤。 略讀這件事有三個最重要的原則，其他細節則是能夠根據自身情況去做調整。 「略讀」的三個原則： 1. 如果整本書有目錄一定要先看目錄. 簡單來說，目錄就是作者幫你整理好的略讀的重點，根本沒有不讀的道理，但事實上很多人幾乎是跳過目錄不看的，只要我們能善用目錄，稍微花些時間想想看作者為什麼要這樣編排章節的順序，往往就能抓到作者的目的，讓略讀這件事情容易許多。 2. 快速讀完整本書，且不要因為看不懂而停下來.
- 機器學習：電腦利用數據自主學習並優化性能
- 監督學習：演算法從標記的數據中學習
- 分類：透過自變數判定應變數類別
- 整合演算法：單獨訓練模型並整合，提升預測結果
- 分類器的性能判斷
機器學習是一種能從數據中學習的電腦程式科學以及藝術，就像下面這句話： 不過還有一個更好的定義： 例如，你的垃圾郵件過濾器是一個機器學習程式，透過學習用戶標記好的垃圾郵件和常規非垃圾郵件，它可以學會標記垃圾郵件。系統用於學習的範例稱為訓練集。在此案例中，任務（T）是標記新郵件是否為垃圾郵件，經驗（E）是訓練數據，性能度量（P） 需要定義。例如，你可以定義正確分類的電子郵件的比例為 P。這種特殊的性能度量稱為準確度，這是一種有監督的學習方法，常被用於分類任務。
在監督學習中，演算法從標記的數據中學習。在理解數據之後，該演算法透過將模式與未標記的新數據關聯，來確定應該給新數據賦哪種標籤。 監督學習可以分為兩類：分類和迴歸。 分類問題預測數據所屬的類別，例子包括垃圾郵件檢測、客戶流失預測、情感分析、犬種檢測等；迴歸問題則根據先前觀察到的數據預測數值，例子包括房價預測、股價預測、身高體重預測等。
分類是一種基於一個或多個自變數，判定應變數所屬類別的技術。 邏輯迴歸 邏輯迴歸類似於線性迴歸，適用於應變數不是一個數字的情況（例如，一個「是/否」的回應）。它雖然被稱為迴歸，但卻是基於根據迴歸的分類，將應變數分為兩類。 如上所述，邏輯迴歸用於預測二分類的輸出。例如，如果信用卡公司建構一個模型來決定是否通過客戶的信用卡申請，它將預測客戶的信用卡是否會「違約」。 首先對變數之間的關係進行線性迴歸以構建模型，分類的閾值假設為 0.5。 然後將 Logistic 函數應用於迴歸分析，得到兩類（是或否）的機率。 該函數給出了事件發生和不發生機率的對數。最後，根據這兩類中較高的機率對變數進行分類。 K-近鄰演算法（K-NN） K-NN 演算法是一種最簡單的分類演算法，透過識別被分成若干類的數據點，以預測...
整合演算法是一個模組。從技術上說，整合演算法是單獨訓練幾個監督模型，並將訓練好的模型以不同的方式進行融合，從而達到最終的得預測結果。整合後的模型比其中任何一個單獨的模型都有更高的預測能力。 隨機森林分類器 隨機森林分類器是一種基於裝袋（bagging）的整合演算法，即自舉助聚合法（bootstrap aggregation）。整合演算法結合了多個相同或不同類型的演算法，來對對象進行分類（例如，SVM 的整合，基於樸素貝氏的整合或基於決策樹的整合）。 整合的基本思想，是演算法的組合提升了最終的結果。 深度太大的決策樹容易受度過擬合的影響。但是隨機森林通過在隨機子集上建構決策樹防止過度擬合，主要原因是它會對所有樹的結果進行投票，結果是所有樹的分類結果的投票，從而消除了單棵樹的偏差。 隨機森林在決...
混淆矩陣 混淆矩陣是一張表，這張表透過對比已知分類結果的測試數據的預測值，和真值表來描述衡量分類器的性能。在二分類的情況下，混淆矩陣是展示預測值和真實值四種不同結果組合的表。 多分類問題的混淆矩陣可以幫助你確認錯誤模式。 對於二元分類器： 假正例、假負例 假正例和假負例用來衡量模型預測的分類效果。假正例是指模型錯誤地將負例預測為正例。假負例是指模型錯誤地將正例預測為負例。主對角線的值越大（主對角線為真正例和真負例），模型就越好；副對角線給出模型的最差預測結果。 假正例： 下面給出一個假正例的例子。比如：模型將一封郵件分類為垃圾郵件（正例），但這封郵件實際並不是垃圾郵件。這就像一個警示，錯誤如果能被修正就更好，但是與假負例相比，它並不是一個嚴重的問題。 作者註：個人觀點，這個例子舉的不太好，對...
2017年2月25日 · 適用場所：漏斗圖適用於業務流程比較規範，週期長，環節多的流程分析，通過漏斗各環節業務數據的比較，能夠直觀地發現和說明問題所在。 優勢：能夠直觀地發現和說明問題所在。在網站分析中，通常用於轉化率比較，它不僅能展示用戶從進入網站到實現購買的最終轉化率，還可以展示每個 ...
2017年6月20日 · 學習之路樹狀圖 在這個樹狀圖的幫助下，你可以根據你的興趣和目標選擇路徑。然後，你可以開始學習大數據的旅程了。 目錄表 1. 如何開始？ 2. 在大數據領域有哪些職位需求？ 3. 你的領域是什麼，適合什麼方向？
2020年7月24日 · 如果你是整理資料的人，那麼你比任何人都更熟悉資料的來源跟它代表的含意。. 透過資料說明事情是為了「下一步」 — 你可以在提出資料佐證時主動給出建議，這也幫助聽眾開始思考，否則聽眾也許看過這些漂亮的圖表後只單純發出一句：「哇，真厲害 ...
2018年1月26日 · 本文提供了 7 種方法，不管是地圖、數據、發展分析都十分適用，相信大家一定可以在其中找到適合自己的方式！. 此外，本文缺少了「如何」製作出相關的報表，也歡迎大家共同敲碗，希望作者可以寫出教學來！. （責任編輯：陳君毅）. 文：李曉麗 ...
2014年6月10日 · Big Data 的重要性與日俱增，許多企業的資料庫內都收集了非常多消費者資料，但要將這一筆筆冷僻又繁雜的數字與名目資料轉化為有價值、為企業帶來效益的策略擬定參考，需要倚賴資料科學家的腦袋與適當的統計軟體，再把結果圖表化，讓一般企業、大眾都看的懂，也就是「看圖說故事」與「數字 ...
