淺談機器學習 | 貝氏推論機器學習
類神經網路學派：透過多層的節點模擬腦神經傳遞的思考。
貝氏定理學派：根據統計學及機率的理論產生模型。
類比推理學派：基於相似度判斷進行推論學習。
2017iT邦幫忙鐵人賽DAY240BigData從學生到職場：菜鳥資料科學家的第一個月系列第24篇淺談機器學習2017鐵人賽WeiYuan2016-12-2623:08:203239瀏覽機器學習機器學習是從人工智慧這門學科延伸出來的分支，主要是透過演算法試圖從資料中「學習」到資料的規律，用來預測資料的特性。
與資料探勘，統計分析的異同機器學習、資料探勘、與統計分析是由不同的觀點在看待「資料」的一種技術。
隨著技術的演進，不管是哪一門所涵蓋的方法與技術其實越來越相近了！統計分析：通常會想要利用數學模型去學習資料，找出一組參數來「描述」資料，目標是找出資料背後的分佈解釋資料間的關係。
機器學習：透過抽象模型學習擬合資料，會著重在學習模型的最佳化過程，目標是達到最好「預測」效果。
資料探勘：強調如何透過演算法或步驟，目標是找出最符合資料背後的價值。
通常會在意怎樣的資料要怎麼挑選適合的方法。
演算法在《大演算》這一本書中，將機器學習分成五種角度，分別了來自於不同的思維。
符號理論學派：歸納法-從資料反向推導出結論的方法。
演化論學派：遺傳算法-透過程式模擬遺傳演化產出最後的結果。
類神經網路學派：透過多層的節點模擬腦神經傳遞的思考。
貝氏定理學派：根據統計學及機率的理論產生模型。
類比推理學派：基於相似度判斷進行推論學習。
Reference從機器學習談起大數據、資料科學、機器學習、資料探勘、統計方法差在哪？留言1追蹤檢舉上一篇資料探勘演算法-分群法下一篇機器學習演算法-線性回歸與邏輯回歸系列文從學生到職場：菜鳥資料科學家的第一個月共28篇目錄RSS系列文訂閱系列文73人訂閱24淺談機器學習25機器學習演算法-線性回歸與邏輯回歸26機器學習演算法-支持向量機與類神經網路27機器學習演算法-「學習」之外的事28資料科學的未完待續完整目錄1則留言0杜岳華iT邦新手5級‧2016-12-2700:05:36其實機器學習講的不一定是數學模型呢！不過是抽象的模型就是了！像是kNN就不太需要用數學做描述。
話說我超想買大演算這本書的！！！回應3檢舉WeiYuaniT邦新手5級‧2016-12-2713:45:30檢舉感謝補充！大演算很值得看，蠻值得收藏的！感謝補充！大演算很值得看，蠻值得收藏的！修改WeiYuaniT邦新手5級‧2016-12-2713:46:19檢舉@a504082002:大大會怎麼解釋機器學習、資料探勘，統計分析這三者之間的關係啊？@a504082002:大大會怎麼解釋機器學習、資料探勘，統計分析這三者之間的關係啊？修改杜岳華iT邦新手5級‧2016-12-2721:58:55檢舉之前大致看過機器學習的一些大著PatternRecognitionandMachineLearning這本已經絕版，不過應該還是可以在天瓏找到，他比較偏向是論文集，他蒐集了很多機器學習相關的模型，所以可以當工具書查查。
AnIntroductiontoStatisticalLearning這本專門講統計方面的機器學習模型，深入淺出，比較適合閱讀。
MachineLearning這本我沒看過，但是看蠻多人推荐的。
對我來說，機器學習是一門技術、一門運用模型的技術，他紀錄了人們運用這方面知識遇過的議題、碰到的"坑"、不適用的情況，如何去選一個好的模型跟調整他。
資料探勘大家推的聖經應該是這本DataMining:ConceptsandTechniques這本蠻適合閱讀的，他以資料處理的角度去看探勘這件事，因為探勘重要的不是挖出結果、也不是用哪個模型，而是挖出資料的流程本身。
最後統計分析我不是那麼熟悉，不過在我的印象裡應該是沒有這樣的一個領域，或是說他指的是統計本身。
如果是指統計的話，統計的觀點應該是了解資料本身，對於萃取出資訊或是知識的話，統計沒有這麼厲害，他可以讓你了解資料的樣貌或是型態，但是通常無法提供太高端的資訊。
這邊拉回到前面的statisticallearning，當統計進入到機器學習的領域的時候，可以做的事情就變多了，可以提供的資訊就變豐富了，變得比較高端了。
以上個人淺見，供大家參考之前大致看過機器學習的一些大著[PatternRecognition
貝氏定理學派：根據統計學及機率的理論產生模型。
類比推理學派：基於相似度判斷進行推論學習。
2017iT邦幫忙鐵人賽DAY240BigData從學生到職場：菜鳥資料科學家的第一個月系列第24篇淺談機器學習2017鐵人賽WeiYuan2016-12-2623:08:203239瀏覽機器學習機器學習是從人工智慧這門學科延伸出來的分支，主要是透過演算法試圖從資料中「學習」到資料的規律，用來預測資料的特性。
與資料探勘，統計分析的異同機器學習、資料探勘、與統計分析是由不同的觀點在看待「資料」的一種技術。
隨著技術的演進，不管是哪一門所涵蓋的方法與技術其實越來越相近了！統計分析：通常會想要利用數學模型去學習資料，找出一組參數來「描述」資料，目標是找出資料背後的分佈解釋資料間的關係。
機器學習：透過抽象模型學習擬合資料，會著重在學習模型的最佳化過程，目標是達到最好「預測」效果。
資料探勘：強調如何透過演算法或步驟，目標是找出最符合資料背後的價值。
通常會在意怎樣的資料要怎麼挑選適合的方法。
演算法在《大演算》這一本書中，將機器學習分成五種角度，分別了來自於不同的思維。
符號理論學派：歸納法-從資料反向推導出結論的方法。
演化論學派：遺傳算法-透過程式模擬遺傳演化產出最後的結果。
類神經網路學派：透過多層的節點模擬腦神經傳遞的思考。
貝氏定理學派：根據統計學及機率的理論產生模型。
類比推理學派：基於相似度判斷進行推論學習。
Reference從機器學習談起大數據、資料科學、機器學習、資料探勘、統計方法差在哪？留言1追蹤檢舉上一篇資料探勘演算法-分群法下一篇機器學習演算法-線性回歸與邏輯回歸系列文從學生到職場：菜鳥資料科學家的第一個月共28篇目錄RSS系列文訂閱系列文73人訂閱24淺談機器學習25機器學習演算法-線性回歸與邏輯回歸26機器學習演算法-支持向量機與類神經網路27機器學習演算法-「學習」之外的事28資料科學的未完待續完整目錄1則留言0杜岳華iT邦新手5級‧2016-12-2700:05:36其實機器學習講的不一定是數學模型呢！不過是抽象的模型就是了！像是kNN就不太需要用數學做描述。
話說我超想買大演算這本書的！！！回應3檢舉WeiYuaniT邦新手5級‧2016-12-2713:45:30檢舉感謝補充！大演算很值得看，蠻值得收藏的！感謝補充！大演算很值得看，蠻值得收藏的！修改WeiYuaniT邦新手5級‧2016-12-2713:46:19檢舉@a504082002:大大會怎麼解釋機器學習、資料探勘，統計分析這三者之間的關係啊？@a504082002:大大會怎麼解釋機器學習、資料探勘，統計分析這三者之間的關係啊？修改杜岳華iT邦新手5級‧2016-12-2721:58:55檢舉之前大致看過機器學習的一些大著PatternRecognitionandMachineLearning這本已經絕版，不過應該還是可以在天瓏找到，他比較偏向是論文集，他蒐集了很多機器學習相關的模型，所以可以當工具書查查。
AnIntroductiontoStatisticalLearning這本專門講統計方面的機器學習模型，深入淺出，比較適合閱讀。
MachineLearning這本我沒看過，但是看蠻多人推荐的。
對我來說，機器學習是一門技術、一門運用模型的技術，他紀錄了人們運用這方面知識遇過的議題、碰到的"坑"、不適用的情況，如何去選一個好的模型跟調整他。
資料探勘大家推的聖經應該是這本DataMining:ConceptsandTechniques這本蠻適合閱讀的，他以資料處理的角度去看探勘這件事，因為探勘重要的不是挖出結果、也不是用哪個模型，而是挖出資料的流程本身。
最後統計分析我不是那麼熟悉，不過在我的印象裡應該是沒有這樣的一個領域，或是說他指的是統計本身。
如果是指統計的話，統計的觀點應該是了解資料本身，對於萃取出資訊或是知識的話，統計沒有這麼厲害，他可以讓你了解資料的樣貌或是型態，但是通常無法提供太高端的資訊。
這邊拉回到前面的statisticallearning，當統計進入到機器學習的領域的時候，可以做的事情就變多了，可以提供的資訊就變豐富了，變得比較高端了。
以上個人淺見，供大家參考之前大致看過機器學習的一些大著[PatternRecognition