机器学习入门与实战（微课版）全套PPT课件.pptx

机器学习简介;什么是机器学习？ 监督学习： 无监督学习： 强化学习： 特征工程： 模型评估：;01;什么是机器学习？;02;监督学习：;03;无监督学习：;04;强化学习：;05;特征工程：;06;模型评估：;THE END;;机器学习应用产品开发流程;问题定义 数据准备 模型训练 模型评估 模型部署 模型监控与更新;01;问题定义;02;数据准备;03;模型训练;04;模型评估;05;模型部署;06;模型监控与更新;THE END;;3问题定义;如何定义问题？ 问题定义的重要性： 问题定义的灵活性： 问题类型： 机器学习应用目标的影响： 综合考虑问题类型和应用目标：;01;如何定义问题？;02;问题定义的重要性：;03;问题定义的灵活性：;04;问题类型：;05;机器学习应用目标的影响：;06;综合考虑问题类型和应用目标：;THE END;;4数据准备;数据准备：数据类型与质量 数据准备目标： 数据准备占比： 数据类型： 常见数据类型： 数值型变量： 分类型变量： 混合型变量： 学习目标：;01;数据准备：数据类型与质量;02;数据准备目标：;03;数据准备占比：;04;数据类型：;05;常见数据类型：;06;数值型变量：;07;分类型变量：;08;混合型变量：;09;学习目标：;THE END;;5数据准备;数据质量检查 数据质量检查的重要性： 数据质量检查分为两部分： 数据准确性检查： 数据有效性检查： 数据准备关键步骤： 注意事项： 通过数据质量检查：;01;数据质量检查;02;数据质量检查的重要性：;03;数据质量检查分为两部分：;1. 数据准确性检查：;2. 数据有效性检查：;04;数据准确性检查：;05;数据有效性检查：;06;数据准备关键步骤：;07;注意事项：;08;通过数据质量检查：;THE END;;5模型训练-不平衡样本;训练集样本平衡性检查及处理 处理不平衡样本的方法： 合成少数类过采样技术（SMOTE）： 训练并寻找最优模型;01;训练集样本平衡性检查及处理;02;处理不平衡样本的方法：;03;合成少数类过采样技术（SMOTE）：;04;训练并寻找最优模型;THE END;;6模型训练-数据集划分;模型训练的基本过程 评估模型 数据集划分 时间序列属性划分 训练集和验证集划分方法;01;模型训练的基本过程;02;评估模型;03;数据集划分;04;时间序列属性划分;05;训练集和验证集划分方法;THE END;;模型训练-训练原理;损失函数、代价函数和目标函数 目标函数和结构风险 基于梯度的参数优化方法 梯度下降示例 梯度下降更新步骤 多参数情况下的优化;01;损失函数、代价函数和目标函数;02;目标函数和结构风险;03;基于梯度的参数优化方法;04;梯度下降示例;05;梯度下降更新步骤;06;多参数情况下的优化;THE END;;8模型评价;模型评估 二分类问题的评价指标 AUC指标 多分类问题的评价 回归模型的评价指标 理解模型的方法;01;模型评估;02;二分类问题的评价指标;03;AUC指标;04;多分类问题的评价;05;回归模型的评价指标;06;理解模型的方法;THE END;;9模型部署;模型部署 离线模型调用 实时模型调用 模型部署方案 PMML模型部署方案 注意事项;01;模型部署;02;离线模型调用;03;实时模型调用;04;模型部署方案;05;PMML模型部署方案;06;注意事项;THE END;;10模型监控;模型监控和更新 稳定性指标 - Population Stability Index (PSI) PSI值解释 应用于模型预测评分和特征变量的稳定性监控 实际业务中的应用 总结;01;模型监控和更新;02;稳定性指标 - Population Stability Index (PSI);03;PSI值解释;04;应用于模型预测评分和特征变量的稳定性监控;05;实际业务中的应用;06;总结;THE END;;11探索性数据分析;探索性数据分析（EDA） 探索性数据分析流程 通过探索性数据分析 总结;01;探索性数据分析（EDA）;02;探索性数据分析流程;1. 整体数据集描述;2. 单变量分析;3. 多变量分析;4. 分类型变量与分类型变量关系分析;5. 数值型变量与分类型变量关系分析;03;通过探索性数据分析;04;总结;THE END;;12特征工程;特征工程;01;特征工程;特征工程的目标;特征工程的步骤;特征工程的常见方法;特征工程的重要性;特征工程的实践;THE END;;13特征工程——文本特征抽取;特征抽取与文本数据处理;01;特征抽取与文本数据处理;TF-IDF（词频－逆向文件频率）;词向量（Word2Vec）;应用实践;注意事项;THE END;;14特征工