什麼是機器學習？我們把它分成兩部分看：
1.必須有一些已經存在的資料，拿來給機器學習。
2.機器學習之後必須給出自己的學習結果，也是是舉一會反三。
機器拿到資料後可以有不同的學習方法，這些方法得到的結果不盡相同，可以自主選擇。
以下是各方法：
決策樹顧名思義：一棵用來決策的樹。
機器學習已有的資料，分析什麼情況會導致什麼結果，把它畫成一顆分叉的樹，
然後如果有新資料來了，帶入這棵樹來決策應該怎麼做。
比如帶入性別，得到結果：性別女則決策買買買，性別男則決策吃吃吃。
樸素貝葉斯
貝葉斯是個概率公式。
你觀察資料發現，所有渣男陣營都是錫紙燙，但是好人陣營裡有一小部分也是錫紙燙。
假設所有錫紙燙的人中渣男有80個人，好人有20個人。就得到錫紙燙的渣男概率了。
概率就是：檢測新來的錫紙燙人，他有80%的概率是渣男。
梯度下降
顧名思義：乙個按照梯度方向，下降最快方向，下降到底的方法。
你面前有一座山，就是初始資料，你每向山下走一步就是下降一次，問題是如何才能最快下山呢？當然是選擇梯度（最陡峭的方向）方向向下走啦！
梯度的選擇是自己設定的，下降距離最大的。可以嘗試很多方向。
這是乙個演算法，每次需要計算的時候可以呼叫這個演算法。
邏輯回歸
顧名思義：已知原來的資料的邏輯，就是好與不好。擬合原來的資料，線性也好，非線性也好。隨便怎麼樣，反正把好與不好分開來，然後隨意丟給你你乙個資料問你猜好不好就是邏輯回歸。
邏輯就是分類。
回歸就是隨意給你乙個資料，你去猜它的類。
怎麼看分類的好不好呢？還是隨便畫一條線，我們統計一下分正確的點和分錯誤的點，但是個數這個東西不好弄呀，有可能個數一樣但是分的差的很遠，我們得想個辦法來衡量一下。
辦法就是：如果這個資料分正確了，就加上乙個很小的的值，但是乙個資料分錯了就加上乙個很大的值，可以把這個值想象成閃電的強度，我們力圖找到乙個最小的閃電強度。
對，轉化成數值來衡量之後，我們就又可以用梯度下降法來找最小值了。
這個閃電叫誤差懲罰，最後加起來得到的強度叫誤差，越小越好。
支援向量機
英文是svm,s是support 顧名思義：支援，其實翻譯成支撐的意思更容易理解。
我們按照邏輯回歸分類，突然發現分隔資料的時候有很多線都成立，但是誰分的更好一點呢？
總要有個衡量準則，就像邏輯回歸線是通過誤差值來衡量一樣，我們選擇支援向量機完成是另外一種方法，就是支撐點，一條線分的好不好就看離這條線最近點的距離是多少（這個距離一定是最小值，這個點就是支撐點），然後嘗試第二條符合分隔的線，求出支撐點的距離，一比較，哎嘿，乙個大乙個小，肯定選距離大的那條線，因為他的支撐性比較好，容錯率較高。
總結來說：
有不同的線對比，每條線都有支撐著的點，對比一下他們離分割線的距離，距離越大越好，因為分的開一點。這種方法叫支援向量機。
神經網路
上面接觸的方法都是用一條線分隔，現如今出現的情況是，在已經分隔好的情況下，需要繼續取一部分細分，取同時符合兩種線的部分，如何操作？
其實也沒什麼難度，就直接用兩條線分就行啦，為了形象的把這個過程描述出來，就模擬到神經元這個概念。
資料傳輸過來，進入乙個神經元（一條線）判斷處理取符合條件的值（可以是0 1型別），再進入另乙個神經元（另外那條線）取符合條件的值（可以是0 1型別），把這兩個神經元（線）處理好的東西接在一起處理（與運算）判斷是否都滿足，是則輸出，不是則丟棄。
這樣畫下來還真是神經網路的樣子，所以這種方法叫神經網路。
核函式kernel trick，發音核，之前學的方法我們都預設用直線劃分，那是因為給的資料自己就分的很開，我們尋找到合適的直線就可以了，有這樣的一種情況，所有的資料再一條直線上，怎麼辦呢？
很簡單：
用曲線啊！
眾所周知，曲線的函式表示式有兩個字母，乙個未知數，他們蘊含某種關係，完全可以把資料區分開！
但令人感興趣的是，我們可以提高維度，比如賦予兩個字母某種關係，把這個值放在第三個字母上，這樣就是三個字母兩個未知數的式子啦，這樣也叫核函式！
我們依然可以把核函式理解為分類問題。
總結：有乙個忍者，他看到資料，
啪一下直接分成兩半了，那麼它叫：邏輯回歸忍者。
他小心翼翼的對比著邊界資料切開，那麼他叫：支援向量機忍者。
他交叉砍了好多刀，把資料分成了區域，那麼他叫：神經網路忍者。
他對著排成一行的資料撓了撓頭，拍桌而起，符合條件的資料因為小震到了上半空間，大的落在了下半空間，那麼他叫：核函式忍者。
k均值聚類
顧名思義：聚類，就是把聚在一起的資料標記出來，聰明的人類一下就能看出來怎麼分！
機器怎麼學習呢？
隨機散落幾個值（a,b,c），分別求離a,b,c近的資料a,b,c，調整a,b,c到a,b,c中間（k均值的意思）。
迭代：重新標記離a,b,c近的資料集a,b,c，調整a,b,c到資料集a,b,c中間。
直到穩定。
重要的一點是：我們需要提前給定聚類的數量，比如例子中的a,b,c三個類。
層次聚類
如果不知道聚類數量怎麼辦？
從資料入手，如果兩個資料之間距離小於我們設定的值，就合併進乙個分組（層次的意思），一直迭代，直到演算法結束。
這樣我們就得到了乙個根據距離長短分好的聚類了。
陣列各方法
object.keys 資料是陣列時，以陣列的方式返回陣列的各個索引值 資料是物件時，以陣列的方式返回物件的各個鍵名 object.assign 主要作用是把多個物件合併在一起，成為乙個新物件 注意點 原各個物件也會改變成新合併的物件，解決方法如下 var emptyobj var obj obje...
機器學習簡介
機器學習簡介 機器學習是人工智慧的乙個分支。人工智慧的研究是從以 推理 為重點到以 知識 為重點，再到以 學習 為重點，一條自然 清晰的脈絡。顯然，機器學習是實現人工智慧的乙個途徑，即以機器學習為手段解決人工智慧中的問題。機器學習在近30多年已發展為一門多領域交叉學科，涉及概率論 統計學 逼近論 凸...
機器學習 簡介
機器學習，即人工智慧的乙個分支，人工智慧目前具有一定的限制，無法突破強人工智慧，即無法像人類一樣思考，感受等。機器學習其實就是通過大量的資料輸入，找出符合資料集的演算法模型，在輸入新的資料集時在進行判斷其屬性，是數學 計算機和統計學的集合。類似於人類的學習經驗，使用經驗判斷的過程。機器學習在於區分和...