WEBVTT

00:00:03.200 --> 00:00:08.100
• 歡迎回到開發人員
數據科學的介紹。

00:00:08.100 --> 00:00:12.510
常見的問題表明
許多客戶、開發人員、

00:00:12.510 --> 00:00:15.030
但數據科學家也問我是,

00:00:15.030 --> 00:00:18.690
哪個機器學習
我應該使用演演演算法嗎?

00:00:18.690 --> 00:00:24.465
我總是回答, 這取決於
許多不同的因素。

00:00:24.465 --> 00:00:27.300
但最重要的是,
您選擇的演算法來使用

00:00:27.300 --> 00:00:30.750
在你的一個方面
數據科學場景。

00:00:30.750 --> 00:00:32.880
您想要什麼?
處理您的數據嗎?

00:00:32.880 --> 00:00:36.515
這是最重要的問題
你應該問問自己

00:00:36.515 --> 00:00:39.200
具體來說,另一個
重要的問題是

00:00:39.200 --> 00:00:41.870
什麼是業務
你想的問題

00:00:41.870 --> 00:00:45.305
通過學習回答
從你過去的資料?

00:00:45.305 --> 00:00:48.679
機器學習有許多
不同的演演演算法,

00:00:48.679 --> 00:00:51.740
與每個不同的演算法
可以幫助您實作

00:00:51.740 --> 00:00:55.200
不同的目標和答案
另一個問題。

00:00:55.200 --> 00:00:57.615
讓我們看看其中一些。

00:00:57.615 --> 00:01:01.755
第一個是預測
不同類別之間。

00:01:01.755 --> 00:01:04.940
在這裡,我們有兩個不同的
方法類型,

00:01:04.940 --> 00:01:07.160
我們有兩個類
分類

00:01:07.160 --> 00:01:08.960
這是偉大的回答

00:01:08.960 --> 00:01:12.315
問題是
兩個選擇問題,

00:01:12.315 --> 00:01:15.150
喜歡是或否, 真或假。

00:01:15.150 --> 00:01:18.545
然後,我們有
多類分類,

00:01:18.545 --> 00:01:21.110
這是偉大的回答
複雜問題

00:01:21.110 --> 00:01:24.355
具有多個可能的選項。

00:01:24.355 --> 00:01:27.560
您也可以使用機器
學習您的資料

00:01:27.560 --> 00:01:30.405
發現數據中的合作夥伴。

00:01:30.405 --> 00:01:32.450
在這裏,我們有三種不同類型的

00:01:32.450 --> 00:01:34.805
方法,如推薦者,

00:01:34.805 --> 00:01:37.400
是擅長預測什麼

00:01:37.400 --> 00:01:40.220
有人會感興趣
在未來。

00:01:40.220 --> 00:01:46.085
聚類擅長分離
類似的數據點成組。

00:01:46.085 --> 00:01:50.030
最後,異常檢測,
這是偉大的

00:01:50.030 --> 00:01:55.450
識別和預測
罕見或異常數據點。

00:01:55.450 --> 00:01:58.715
另一件事,你可以做
與您的資料實際上是

00:01:58.715 --> 00:02:02.405
瞭解什麼
圖像正在呈現,

00:02:02.405 --> 00:02:05.045
也理解
自然語言。

00:02:05.045 --> 00:02:08.960
在這裡,我們有這樣的方法
作為圖像分類,

00:02:08.960 --> 00:02:13.130
能夠識別
圖像與神經網路。

00:02:13.130 --> 00:02:16.325
此外文字分析,這是能夠

00:02:16.325 --> 00:02:20.660
派生高品質
來自文本的資訊。

00:02:20.660 --> 00:02:23.150
最後,如果您需要預測

00:02:23.150 --> 00:02:26.285
基於
值之間的關係,

00:02:26.285 --> 00:02:29.930
您可以使用其他
回歸方法的類型。

00:02:29.930 --> 00:02:34.310
回歸后,
一般作出預測

00:02:34.310 --> 00:02:39.580
估計關係
在價值觀之間。

00:02:39.580 --> 00:02:44.715
對於此特定用例
薩拉試圖解決

00:02:44.715 --> 00:02:46.980
我認為我們需要預測

00:02:46.980 --> 00:02:50.395
有多少輛自行車
租在未來一個小時。

00:02:50.395 --> 00:02:53.660
我真的認為,
預測,最重要的是,

00:02:53.660 --> 00:02:58.460
回歸是正確的方法
我們應該使用,因為我們

00:02:58.460 --> 00:03:00.620
真的想預測一個結果

00:03:00.620 --> 00:03:04.290
基於關係
值之間的。