什么是机器学习方法，

大家好，今天小编关注到一个比较有意思的话题，就是关于什么是机器学习方法的问题，于是小编就整理了2个相关介绍什么是机器学习方法的解答，让我们一起看看吧。

1. 如何简单的介绍神经网络等机器学习方法？
2. 同样是数据分析方法，为什么时间序列分析没有数据挖掘或机器学习那么火？

如何简单的介绍神经网络等机器学习方法？

你既然提到“简单的介绍”、“HR”，那我就***定HR没有技术背景了（虽然理论上说HR可能具有任何领域的背景知识和技能）。所以实际上你想问的问题是：如何向没有技术背景的人简单地介绍神经网络等机器学习方法？

这其实是一个很值得探讨的问题，这个问题的意义，并不仅仅限于应付面试。

HR在这里的角色是什么？其实HR是一个决策者（decision-maker）。以后你的工作中可能遇到不同的决策者，比如老板、客户、投资人，他们都可能没有技术背景，但是你想要做成你的事，就要让他们理解使用机器学习方法的价值，你不能指望他们去读个机器学习相关的学位然后再和他们沟通。因此，这其中很关键的一步，就是用简单的语言向他们介绍机器学习的概念，让他们对此有一些基本的了解。

另一方面，爱因斯坦说过，如果你不能向一个6岁的小孩解释清楚一个概念，说明你并不真正理解这个概念。因此，向不具技术背景的人简单介绍神经网络等机器学习概念，其实是一个检验自己是否真正理解这些概念的宝贵机会。

具体来说，用简单语言向不具技术背景的人解释机器学习的概念（乃至其他技术概念），有两个技巧：

1. 抽象。抽象掉技术细节，从直觉层面谈这个概念。
2. 类比。使用生活中的例子进行类比。

举个例子，如果面试时HR让你简单介绍随机森林，那你就可以从面试这个场景入手。

HR问你决策树，然后听了你的回答：1. 完全是胡说八道，不通过； 2. 说得很清楚，我已经理解这个概念了，通过；3. 听不懂在说什么，待定。这里询问决策树是1个节点，有3个分叉，通向3个叶节点：通过、不通过、待定。这就是决策树模型。

然后多找几个HR来听你的答案，分别做出决策，然后通过某种方式（比如，简单多数）让这几个HR投票做出最终决策，就是随机森林。

同样是数据分析方法，为什么时间序列分析没有数据挖掘或机器学习那么火？

时间序列的数据非常干净和清晰，因此时间序列分析更像是一个纯粹的数学问题，而不是一个应用问题。而且，时间序列分析的相关体系已经被较好地建立起来了，而数据挖掘和机器学习还有大量未解决的问题，其理论方面仍然有许多新的挑战，因此，大家更愿意去尝试这些新方法。

另一方面，这也是由于现在数据量变得越来越大之后的必然结果。当我们以前只有少量数据时，时间序列的方法就会变得很重要，而现在我们可以用很少的成本获取大规模的非结构化数据，这让我们完全有能力进行更深刻的研究。

而且，需要注意的是，时间序列和数据挖掘机器学习之间并不是完全对立的关系。

（1）用机器学习的方法（尤其是基于循环神经网络的一些方法），同样可以对时间序列进行很好的预测。

（2）数据挖掘也可以扩充时间序列分析中的维度，让我们找到更多更有意思的特征，例如传统上，我们利用过去的股票数据来预测未来的股票涨跌，而有了数据挖掘的一些结果，我们还可以结合社交网络上大家对股票的讨论情况、电商网站上相关公司产品的销售情况、招聘网站上企业的招工情况、通过手机定位数据估计的工厂所在地区的人员流动数据、***网站上的招投标信息以及***网站上的各种相关法律诉讼情况等等进行更加准确的预测，这无疑大大扩充了纯粹的「时间序列分析」应用的场景和可能性。

此外，时间序列分析的方法也并非是变得不再重要，恰恰相反，时间序列的分析方法现在已经成为了某种基础，当我们发展出机器学习的方法，我们仍然会需要将我们的新方法的预测结果与传统方法进行比较，只有当新方法能大大提高预测准确性的时候，我们才会真正***用新方法。

到此，以上就是小编对于什么是机器学习方法的问题就介绍到这了，希望介绍关于什么是机器学习方法的2点解答对大家有用。