由质量预测引出的许多话题

质量预测

这是我做的主要的课题，基于循环神经网络对产品质量参数进行预测
本质来说属于回归预测任务
关于这部分之前汇报了很多，这里不展开了

数据挖掘

数据挖掘 可以直观的从名字理解，就是从数据中挖掘出有价值的信息
这里的数据通常是 结构化数据 可以简单理解为二维数据表
通常数据挖掘的任务可以有一下几种：
1. 分类：根据给定数据确定样本属于特定类别
2. 回归：根据给定数据计算样本某一属性具体数值
3. 聚类：把若干相似数据按某种方式分为若干子集，每一子集具有相似性，不同子集具有互斥性
4. 降维：降低数据维度，排除相关度较弱的数据属性
前两种称为有监督学习 ，后两种称为无监督学习
有无监督的区别主要在于已知数据是否有确定标签

举个栗子

分类

回归

聚类

降维

十大算法

决策树(decission tree)

关键概念：信息熵
每次分割使得系统整体的信息熵减少最多

随机森林

一堆决策树

逻辑回归(logistic regression)

对线性回归再加一层非线性函数

支持向量机(Support Vector Machine, SVM)

获取线性超平面
核函数核方法

朴素贝叶斯(Naive Bayes Classifier)

条件概率
多用于自然语言处理

K临近(K nearest neighbours, KNN)

Vote

K均值(K means)

无监督聚类算法

Adaboost

三个臭皮匠定个诸葛亮
天鹅、梭子蟹和鲤鱼

主成分分析

无监督降维方法

神经网络

深度学习

语音
语意（自然语言处理）
图像

卷积神经网络(Convolutional Neural Networks, CNN)

重要参数：

卷积核
步长
填充值

循环神经网络(Recurrent Neural Networks, RNN