机器建模

这个模块专注于机器建模分析，尤其在电力系统中的应用。

感谢大牛整理的机器学习资源：https://github.com/Flowerowl/Big_Data_Resources#大数据-数据挖掘

McGrawHill出版社发行的.Tom著作的机器学习经典，涵盖数据挖掘通用算法。

以数据使用和更好的架构设计为重点，借助 MongoDB Packt 2015，优化 MongoDB 数据建模。

创建数据库与模型：建立数据架构的基础。 创建表、表空间、序列：定义数据存储结构。 创建用户：管理数据库访问权限。 设置关系：建立表之间的关联。 生成数据库脚本：将模型转换为可执行代码。 连接数据库：与外部数据库建立通信。 反向工程：从现有数据库生成模型。 修改数据模型：调整数据结构。 更新数据库：将模型更改同步到数据库。 生成数据字典：记录数据库元数据。 生成测试数据：填充数据库以进行测试。 配置数据源：连接到不同类型的数据源。

提升建模技术利用随机科学控制方法，不仅能评估行为效果，还能建立预测模型，预测行为的增量响应。这种数据挖掘技术主要应用于金融服务、电信和零售直销行业，用于增加销售、交叉销售、减少客户流失。传统的倾向模型和响应模型只是对目标用户进行评分，而没有确保模型的结果能够最大化活动效果。因此，需要另一种统计模型来确定哪些用户可能对营销推广活动产生显著反应，即“敏感于营销”的用户。提升建模技术的最终目标是识别最可能受到营销活动影响的用户，以提升活动的效果（r(test)- r(control)），增加投资回报率（ROI），提高整体市场响应率。

实体关系建模（ER图）是数据库设计的关键技术之一。

对于此存储库的Octave/MatLab版本，请检查项目。该存储库包含用Python实现的流行机器学习算法的示例，并在后面解释了数学原理。每种算法都有交互式的Jupyter Notebook演示，使您可以使用训练数据、算法配置并立即在浏览器中查看结果、图表和预测。在大多数情况下，解释是基于Andrew Ng的。这个仓库的目的不是为了实现机器使用第三方库“单行”，而是练从头开始执行这些算法和获得更好的每种算法背后的数学理解学习算法。这就是为什么所有算法实现都称为“自制”而不是用于生产的原因。

算法实战：探索机器学习核心 本篇带您深入浅出地了解机器学习常见算法，涵盖监督学习、无监督学习和强化学习三大类别，并结合实际案例，助您快速上手算法应用。 ### 监督学习 线性回归: 预测连续目标变量，例如房价预测。 逻辑回归: 解决二分类问题，例如判断邮件是否为垃圾邮件。 决策树: 构建树形结构进行分类或回归预测，例如客户流失预警。 ### 无监督学习 聚类分析: 将数据分组到不同的簇中，例如客户细分。 主成分分析: 降低数据维度，提取主要特征，例如图像压缩。 ### 强化学习 Q-learning: 通过试错学习最优策略，例如游戏 AI。 SARSA: 基于当前策略学习，适用于实时决策场景，例如机器人控制。 掌握这些算法将为您打开机器学习的大门，开启智能数据分析之旅。

数学模型与数学建模基础 高等数学 概率论与数理统计 线性代数 优化理论 微分方程及稳定性 组合学、图论优化 统计分析、数据处理 数值计算、数值模拟 模糊数学、灰色理论 随机过程、时序分析 变分、泛函、有限元分析