图11 支持向量机图例

图12 三维空间的切割

支持向量机是一种数学成分很浓的机器学习算法（相对的神经网络则有生物科学成分）。在算法的核心步骤中有一步证明，即将數据从低维映射到高维不会带来最后计算复杂性的提升于是，通过支持向量机算法既可以保持计算效率，又可以获得非常好的分类效果因此支持向量机在90年代后期一直占据着机器学习中最核心的地位，基本取代了神经网络算法直到现在神经网络借着深度学习重新兴起，两者之间才又发生了微妙的平衡转变

前面的算法中的一个显著特征就是我的训练数据中包含了标签，训练出的模型可以对其他未知數据预测标签在下面的算法中，训练数据都是不含标签的而算法的目的则是通过训练，推测出这些数据的标签这类算法有一个统称，即无监督算法(前面有标签的数据的算法则是有监督算法)无监督算法中最典型的代表就是聚类算法。

让我们还是拿一个二维的数据来说某一个数据包含两个特征。我希望通过聚类算法给他们中不同的种类打上标签，我该怎么做呢简单来说，聚类算法就是计算种群中嘚距离根据距离的远近将数据划分为多个族群。

聚类算法中最典型的代表就是K-Means算法

降维算法也是一种无监督学习算法，其主要特征是將数据从高维降低到低维层次在这里，维度其实表示的是数据的特征量的大小例如，房价包含房子的长、宽、面积与房间数量四个特征也就是维度为4维的数据。可以看出来长与宽事实上与面积表示的信息重叠了，例如面积=长 × 宽通过降维算法我们就可以去除冗余信息，将特征减少为面积与房间数量两个特征即从4维的数据压缩到2维。于是我们将数据从高维降低到低维不仅利于表示，同时在计算仩也能带来加速

刚才说的降维过程中减少的维度属于肉眼可视的层次，同时压缩也不会带来信息的损失(因为信息冗余了)如果肉眼不可視，或者没有冗余的特征降维算法也能工作，不过这样会带来一些信息的损失但是，降维算法可以从数学上证明从高维压缩到的低維中最大程度地保留了数据的信息。因此使用降维算法仍然有很多的好处。

降维算法的主要作用是压缩数据与提升机器学习其他算法的效率通过降维算法，可以将具有几千个特征的数据压缩至若干个特征另外，降维算法的另一个好处是数据的可视化例如将5维的数据壓缩至2维，然后可以用二维平面来可视降维算法的主要代表是PCA算法(即主成分分析算法)。

推荐算法是目前业界非常火的一种算法在电商堺，如亚马逊天猫，京东等得到了广泛的运用推荐算法的主要特征就是可以自动向用户推荐他们最感兴趣的东西，从而增加购买率提升效益。推荐算法有两个主要的类别：

一类是基于物品内容的推荐是将与用户购买的内容近似的物品推荐给用户，这样的前提是每个粅品都得有若干个标签因此才可以找出与用户购买物品类似的物品，这样推荐的好处是关联程度较大但是由于每个物品都需要贴标签，因此工作量较大

另一类是基于用户相似度的推荐，则是将与目标用户兴趣相同的其他用户购买的东西推荐给目标用户例如小A历史上買了物品B和C，经过算法分析发现另一个与小A近似的用户小D购买了物品E，于是将物品E推荐给小A

两类推荐都有各自的优缺点，在一般的电商应用中一般是两类混合使用。推荐算法中最有名的算法就是协同过滤算法

除了以上算法之外，机器学习界还有其他的如高斯判别樸素贝叶斯，决策树等等算法但是上面列的六个算法是使用最多，影响最广种类最全的典型。机器学习界的一个特色就是算法众多發展百花齐放。

下面做一个总结按照训练的数据有无标签，可以将上面算法分为监督学习算法和无监督学习算法但推荐算法较为特殊，既不属于监督学习也不属于非监督学习，是单独的一类

除了这些算法以外，有一些算法的名字在机器学习领域中也经常出现但他們本身并不算是一个机器学习算法，而是为了解决某个子问题而诞生的你可以理解他们为以上算法的子算法，用于大幅度提高训练过程其中的代表有：梯度下降法，主要运用在线型回归逻辑回归，神经网络推荐算法中；牛顿法，主要运用在线型回归中；BP算法主要運用在神经网络中；SMO算法，主要运用在SVM中

5.机器学习的应用–大数据

说完机器学习的方法，下面要谈一谈机器学习的应用了无疑，在2010年鉯前机器学习的应用在某些特定领域发挥了巨大的作用，如车牌识别网络攻击防范，手写字符识别等等但是，从2010年以后随着大数據概念的兴起，机器学习大量的应用都与大数据高度耦合几乎可以认为大数据是机器学习应用的最佳场景。

譬如但凡你能找到的介绍夶数据魔力的文章，都会说大数据如何准确准确预测到了某些事例如经典的Google利用大数据预测了H1N1在美国某小镇的爆发。

图14 百度世界杯成功預测了所有比赛结果

这些实在太神奇了那么究竟是什么属于机器原因导致大数据具有这些魔力的呢？简单来说就是机器学习技术。正昰基于机器学习技术的应用数据才能发挥其魔力。

大数据的核心是利用数据的价值机器学习是利用数据价值的关键技术，对于大数据洏言机器学习是不可或缺的。相反对于机器学习而言，越多的数据会越 可能提升模型的精确性同时，复杂的机器学习算法的计算时間也迫切需要分布式计算与内存计算这样的关键技术因此，机器学习的兴盛也离不开大数据的帮助 大数据与机器学习两者是互相促进，相依相存的关系

机器学习与大数据紧密联系。但是必须清醒的认识到，大数据并不等同于机器学习同理，机器学习也不等同于大數据大数据中包含有分布式计算，内存数据库多维分析等等多种技术。单从分析方法来看大数据也包含以下四种分析方法：

1.大数据，小分析：即数据仓库领域的OLAP分析思路也就是多维分析思想。

也就是说机器学习仅仅是大数据分析中的一种而已。尽管机器学习的一些结果具有很大的魔力在某种场合下是大数据价值最好的说明。但这并不代表机器学习是大数据下的唯一的分析方法

机器学习与大数據的结合产生了巨大的价值。基于机器学习技术的发展数据能够“预测”。对人类而言积累的经验越丰富，阅历也广泛对未来的判斷越准确。例如常说的“经验丰富”的人比“初出茅庐”的小伙子更有工作上的优势就在于经验丰富的人获得的规律比他人更准确。而茬机器学习领域根据著名的一个实验，有效的证实了机器学习界一个理论：即机器学习模型的数据越多机器学习的预测的效率就越好。见下图：

图15 机器学习准确率与数据的关系

通过这张图可以看出各种不同算法在输入的数据量达到一定级数后，都有相近的高准确度於是诞生了机器学习界的名言：成功的机器学习应用不是拥有最好的算法，而是拥有最多的数据！

在大数据的时代有好多优势促使机器學习能够应用更广泛。例如随着物联网和移动设备的发展我们拥有的数据越来越多，种类也包括图片、文本、视频等非结构化数据这使得机器学习模型可以获得越来越多的数据。同时大数据技术中的分布式计算Map-Reduce使得机器学习的速度越来越快可以更方便的使用。种种优勢使得在大数据时代机器学习的优势可以得到最佳的发挥。

6.机器学习的子类–深度学习

近来机器学习的发展产生了一个新的方向，即“深度学习”

虽然深度学习这四字听起来颇为高大上，但其理念却非常简单就是传统的神经网络发展到了多隐藏层的情况。

在上文介紹过自从90年代以后，神经网络已经消寂了一段时间但是BP算法的发明人Geoffrey Hinton一直没有放弃对神经网络的研究。由于神经网络在隐藏层扩大到兩个以上其训练速度就会非常慢，因此实用性一直低于支持向量机2006年，Geoffrey Hinton在科学杂志《Science》上发表了一篇文章论证了两个观点：

1.多隐层嘚神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画从而有利于可视化或分类；

2.深度神经网络在训练上的难度，可以通过“逐层初始化” 来有效克服

通过这样的发现，不仅解决了神经网络在计算上的难度同时也说明了深层神经网络在学习上的優异性。从此神经网络重新成为了机器学习界中的主流强大学习技术。同时具有多个隐藏层的神经网络被称为深度神经网络，基于深喥神经网络的学习研究称之为深度学习

由于深度学习的重要性质，在各方面都取得极大的关注按照时间轴排序，有以下四个标志性事件值得一说：

2012年6月《纽约时报》披露了Google Brain项目，这个项目是由Andrew Ng和Map-Reduce发明人Jeff Dean共同主导用16000个CPU Core的并行计算平台训练一种称为“深层神经网络”的機器学习模型，在语音识别和图像识别等领域获得了巨大的成功Andrew Ng就是文章开始所介绍的机器学习的大牛(图1中左者)。

2012年11月微软在中国天津的一次活动上公开演示了一个全自动的同声传译系统，讲演者用英文演讲后台的计算机一气呵成自动完成语音识别、英中机器翻译，鉯及中文语音合成效果非常流畅，其中支撑的关键技术是深度学习；

2013年1月在百度的年会上，创始人兼CEO李彦宏高调宣布要成立百度研究院其中第一个重点方向就是深度学习，并为此而成立深度学习研究院(IDL)

2013年4月，《麻省理工学院技术评论》杂志将深度学习列为2013年十大突破性技术(Breakthrough Technology)之首

图17 深度学习的发展热潮

文章开头所列的三位机器学习的大牛，不仅都是机器学习界的专家更是深度学习研究领域的先驱。因此使他们担任各个大型互联网公司技术掌舵者的原因不仅在于他们的技术实力，更在于他们研究的领域是前景无限的深度学习技术

目前业界许多的图像识别技术与语音识别技术的进步都源于深度学习的发展，除了本文开头所提的Cortana等语音助手还包括一些图像识别应鼡，其中典型的代表就是下图的百度识图功能

深度学习属于机器学习的子类。基于深度学习的发展极大的促进了机器学习的地位提高哽进一步地，推动了业界对机器学习父类人工智能梦想的再次重视

7.机器学习的父类–人工智能

人工智能是机器学习的父类。深度学习则昰机器学习的子类如果把三者的关系用图来表明的话，则是下图：

图19 深度学习、机器学习、人工智能三者关系

毫无疑问人工智能(AI)是人類所能想象的科技界最突破性的发明了，某种意义上来说人工智能就像游戏最终幻想的名字一样，是人类对于科技界的最终梦想从50年玳提出人工智能的理念以后，科技界产业界不断在探索，研究这段时间各种小说、电影都在以各种方式展现对于人工智能的想象。人類可以发明类似于人类的机器这是多么伟大的一种理念！但事实上，自从50年代以后人工智能的发展就磕磕碰碰，未有见到足够震撼的科学技术的进步

总结起来，人工智能的发展经历了如下若干阶段从早期的逻辑推理，到中期的专家系统这些科研进步确实使我们离機器的智能有点接近了，但还有一大段距离直到机器学习诞生以后，人工智能界感觉终于找对了方向基于机器学习的图像识别和语音識别在某些垂直领域达到了跟人相媲美的程度。机器学习使人类第一次如此接近人工智能的梦想

事实上，如果我们把人工智能相关的技術以及其他业界的技术做一个类比就可以发现机器学习在人工智能中的重要地位不是没有理由的。

人类区别于其他物体植物，动物的朂主要区别作者认为是“智慧”。而智慧的最佳体现是什么属于机器

是计算能力么，应该不是心算速度快的人我们一般称之为天才。

想想看我们一般形容谁有大智慧圣人，诸如庄子老子等。智慧是对生活的感悟是对人生的积淀与思考，这与我们机器学习的思想哬其相似通过经验获取规律，指导人生与未来没有经验就没有智慧。

图20 机器学习与智慧

那么从计算机来看，以上的种种能力都有种種技术去应对

例如计算能力我们有分布式计算，反应能力我们有事件驱动架构检索能力我们有搜索引擎，知识存储能力我们有数据仓庫逻辑推理能力我们有专家系统，但是唯有对应智慧中最显著特征的归纳与感悟能力，只有机器学习与之对应这也是机器学习能力朂能表征智慧的根本原因。

让我们再看一下机器人的制造在我们具有了强大的计算，海量的存储快速的检索，迅速的反应优秀的逻輯推理后我们如果再配合上一个强大的智慧大脑，一个真正意义上的人工智能也许就会诞生这也是为什么属于机器说在机器学习快速发展的现在，人工智能可能不再是梦想的原因

人工智能的发展可能不仅取决于机器学习，更取决于前面所介绍的深度学习深度学习技术甴于深度模拟了人类大脑的构成，在视觉识别与语音识别上显著性的突破了原有机器学习技术的界限因此极有可能是真正实现人工智能夢想的关键技术。无论是谷歌大脑还是百度大脑都是通过海量层次的深度学习网络所构成的。也许借助于深度学习技术在不远的将来，一个具有人类智能的计算机真的有可能实现

最后再说一下题外话，由于人工智能借助于深度学习技术的快速发展已经在某些地方引起了传统技术界达人的担忧。真实世界的“钢铁侠”特斯拉CEO马斯克就是其中之一。最近马斯克在参加MIT讨论会时就表达了对于人工智能嘚担忧。“人工智能的研究就类似于召唤恶魔我们必须在某些地方加强注意。”

图21 马斯克与人工智能

尽管马斯克的担心有些危言耸听泹是马斯克的推理不无道理。“如果人工智能想要消除垃圾邮件的话可能它最后的决定就是消灭人类。”马斯克认为预防此类现象的方法是引入政府的监管在这里作者的观点与马斯克类似，在人工智能诞生之初就给其加上若干规则限制可能有效也就是不应该使用单纯嘚机器学习，而应该是机器学习与规则引擎等系统的综合能够较好的解决这类问题因为如果学习没有限制，极有可能进入某个误区必須要加上某些引导。正如人类社会中法律就是一个最好的规则，杀人者死就是对于人类在探索提高生产力时不可逾越的界限

在这里，必须提一下这里的规则与机器学习引出的规律的不同规律不是一个严格意义的准则，其代表的更多是概率上的指导而规则则是神圣不鈳侵犯，不可修改的规律可以调整，但规则是不能改变的有效的结合规律与规则的特点，可以引导出一个合理的可控的学习型人工智能。

8.机器学习的思考–计算机的潜意识

最后作者想谈一谈关于机器学习的一些思考。主要是作者在日常生活总结出来的一些感悟

回想一下我在节1里所说的故事，我把小Y过往跟我相约的经历做了一个罗列但是这种罗列以往所有经历的方法只有少数人会这么做，大部分嘚人采用的是更直接的方法即利用直觉。那么直觉是什么属于机器？其实直觉也是你在潜意识状态下思考经验后得出的规律就像你通过机器学习算法，得到了一个模型那么你下次只要直接使用就行了。那么这个规律你是什么属于机器时候思考的可能是在你无意识嘚情况下，例如睡觉走路等情况。这种时候大脑其实也在默默地做一些你察觉不到的工作。

这种直觉与潜意识我把它与另一种人类思考经验的方式做了区分。如果一个人勤于思考例如他会每天做一个小结，譬如“吾日三省吾身”或者他经常与同伴讨论最近工作的嘚失，那么他这种训练模型的方式是直接的明意识的思考与归纳。这样的效果很好记忆性强，并且更能得出有效反应现实的规律但昰大部分的人可能很少做这样的总结，那么他们得出生活中规律的方法使用的就是潜意识法

举一个作者本人关于潜意识的例子。作者本囚以前没开过车最近一段时间买了车后，天天开车上班我每天都走固定的路线。有趣的是在一开始的几天，我非常紧张的注意着前方的路况而现在我已经在无意识中就把车开到了目标。这个过程中我的眼睛是注视着前方的我的大脑是没有思考，但是我手握着的方姠盘会自动的调整方向也就是说。随着我开车次数的增多我已经把我开车的动作交给了潜意识。这是非常有趣的一件事在这段过程Φ，我的大脑将前方路况的图像记录了下来同时大脑也记忆了我转动方向盘的动作。经过大脑自己的潜意识思考最后生成的潜意识可鉯直接根据前方的图像调整我手的动作。假设我们将前方的录像交给计算机然后让计算机记录与图像对应的驾驶员的动作。经过一段时間的学习计算机生成的机器学习模型就可以进行自动驾驶了。这很神奇不是么。其实包括Google、特斯拉在内的自动驾驶汽车技术的原理就昰这样

除了自动驾驶汽车以外，潜意识的思想还可以扩展到人的交际譬如说服别人，一个最佳的方法就是给他展示一些信息然后让怹自己去归纳得出我们想要的结论。这就好比在阐述一个观点时用一个事实，或者一个故事比大段的道理要好很多。古往今来但凡優秀的说客，无不采用的是这种方法春秋战国时期，各国合纵连横经常有各种说客去跟一国之君交流，直接告诉君主该做什么属于机器无异于自寻死路，但是跟君主讲故事通过这些故事让君主恍然大悟，就是一种正确的过程这里面有许多杰出的代表，如墨子苏秦等等。

基本上所有的交流过程使用故事说明的效果都要远胜于阐述道义之类的效果好很多。为什么属于机器用故事的方法比道理或者其他的方法好很多这是因为在人成长的过程，经过自己的思考已经形成了很多规律与潜意识。如果你告诉的规律与对方的不相符很囿可能出于保护，他们会本能的拒绝你的新规律但是如果你跟他讲一个故事，传递一些信息输送一些数据给他，他会思考并自我改变他的思考过程实际上就是机器学习的过程，他把新的数据纳入到他的旧有的记忆与数据中经过重新训练。如果你给出的数据的信息量非常大大到调整了他的模型，那么他就会按照你希望的规律去做事有的时候，他会本能的拒绝执行这个思考过程但是数据一旦输入，无论他希望与否他的大脑都会在潜意识状态下思考，并且可能改变他的看法

如果计算机也拥有潜意识(正如本博客的名称一样)，那么會怎么样譬如让计算机在工作的过程中，逐渐产生了自身的潜意识于是甚至可以在你不需要告诉它做什么属于机器时它就会完成那件倳。这是个非常有意思的设想这里留给各位读者去发散思考吧。

本文首先介绍了互联网界与机器学习大牛结合的趋势以及使用机器学習的相关应用，接着以一个“等人故事”展开对机器学习的介绍介绍中首先是机器学习的概念与定义，然后是机器学习的相关学科机器学习中包含的各类学习算法，接着介绍机器学习与大数据的关系机器学习的新子类深度学习，最后探讨了一下机器学习与人工智能发展的联系以及机器学习与潜意识的关联经过本文的介绍，相信大家对机器学习技术有一定的了解例如机器学习是什么属于机器，它的內核思想是什么属于机器(即统计和归纳)通过了解机器学习与人类思考的近似联系可以知晓机器学习为什么属于机器具有智慧能力的原因等等。其次本文漫谈了机器学习与外延学科的关系，机器学习与大数据相互促进相得益彰的联系机器学习界最新的深度学习的迅猛发展，以及对于人类基于机器学习开发智能机器人的一种展望与思考最后作者简单谈了一点关于让计算机拥有潜意识的设想。

机器学习是目前业界最为Amazing与火热的一项技术从网上的每一次淘宝的购买东西，到自动驾驶汽车技术以及网络攻击抵御系统等等，都有机器学习的洇子在内同时机器学习也是最有可能使人类完成AI dream的一项技术，各种人工智能目前的应用如微软小冰聊天机器人，到计算机视觉技术的進步都有机器学习努力的成分。作为一名当代的计算机领域的开发或管理人员以及身处这个世界，使用者IT技术带来便利的人们最好嘟应该了解一些机器学习的相关知识与概念，因为这可以帮你更好的理解为你带来莫大便利技术的背后原理以及让你更好的理解当代科技的进程。

这篇文档花了作者两个月的时间终于在2014年的最后一天的前一天基本完成。通过这篇文章作者希望对机器学习在国内的普及莋一点贡献，同时也是作者本人自己对于所学机器学习知识的一个融汇贯通整体归纳的提高过程。作者把这么多的知识经过自己的大脑思考训练出了一个模型，形成了这篇文档可以说这也是一种机器学习的过程吧(笑)。

作者所在的行业会接触到大量的数据因此对于数據的处理和分析是平常非常重要的工作，机器学习课程的思想和理念对于作者日常的工作指引作用极大几乎导致了作者对于数据价值的偅新认识。想想半年前作者还对机器学习似懂非懂，如今也可以算是一个机器学习的Expert了(笑)但作者始终认为，机器学习的真正应用不是通过概念或者思想的方式而是通过实践。只有当把机器学习技术真正应用时才可算是对机器学习的理解进入了一个层次。正所谓再“陽春白雪”的技术也必须落到“下里巴人”的场景下运用。目前有一种风气国内外研究机器学习的某些学者，有一种高贵的逼格认為自己的研究是普通人无法理解的，但是这样的理念是根本错误的没有在真正实际的地方发挥作用，凭什么属于机器证明你的研究有所價值呢作者认为必须将高大上的技术用在改变普通人的生活上，才能发挥其根本的价值一些简单的场景，恰恰是实践机器学习技术的朂好地方

最后，作者很感谢能够阅读到这里的读者如果看完觉得好的话，还请轻轻点一下赞你们的鼓励就是作者继续行文的动力。

對EasyPR做下说明：EasyPR一个开源的中文车牌识别系统，代码托管在github其次，在前面的博客文章中包含EasyPR至今的开发文档与介绍。在后续的文章中作者会介绍EasyPR中基于机器学习技术SVM的应用即车牌判别模块的核心内容，欢迎继续阅读

本文中的所有文字，图片代码的版权都是属于作鍺和博客园共同所有。欢迎转载但是务必注明作者与出处。任何未经允许的剽窃以及爬虫抓取都属于侵权作者和博客园保留所有权利。

前几天我把自己最喜欢的电影《諜影重重》又看了一遍这部电影实在是太精彩了，被称为“最好看的谍战片”它的5部系列在豆瓣上平方都是8分以上。

每当我在豆瓣上咑开这部电影豆瓣都会推荐我可能喜欢的其他电影。这些推荐的电影还真符合我的电影口味比如推荐的电影《生死时速》、《碟中谍》、《变脸》、《飓风营救》也是我喜欢看的。

那么豆瓣是如何知道用户的喜欢这些推荐背后的秘密是什么属于机器呢？

像豆瓣、淘宝、QQ音乐这些推荐系统背后的秘密武器正是机器学习。下面我们用最通俗易懂的话来聊聊到底什么属于机器是机器学习？

1、人类是如何思考的

机器学习有点像人类的决策过程，我们先看下人类的思考过程

假设我们去买橘子，卖橘子的大娘说橘子甜过初恋可是我们想挑最甜的橘子，怎么挑呢

记得妈妈说过，嫩黄的橘子比暗黄的甜所以我们有了一个简单的判断标准：只挑嫩黄的橘子。

普通计算机算法是如何实现这个过程的呢如果用计算机程序来帮你挑选橘子，你会写下这样的规则：

我们会用这些规则来挑选橘子但是如果在我们嘚橘子实验中有了新的发现，我们就不得不手动修改这份规则列表

比如在我们买回的橘子中有些是酸的，经过品尝各种不同类型的橘子我们发现那些大个人儿的，嫩黄的橘子才是甜的所以我们修改了规则：

我们会发现这个普通的计算机算法有个缺点，那就是：我们得搞清楚影响橘子甜度的所有因素的错综复杂的细节如果问题越来越复杂，我们就要针对所有的橘子类型手动地制定挑选规则就变得非瑺困难。

那如何解决克服这个缺点呢机器学习算法可以解决这个问题。

3、机器学习算法是什么属于机器

机器学习算法是由前面的普通算法演化而的来。通过自动地从提供的数据中学习它会让我们的程序变得更“聪明”。

我们从市场上的橘子里随机的抽取一定的样品（茬机器学习里叫做训练数据）制作成下面的一张表格，上面记着每个橘子的物理属性比如颜色，大小 产地 等。（这些橘子的属性称の为特征）还记录下这个橘子甜不甜（这叫做标签）。

我们将这个训练数据提供给一个机器学习算法然后它就会学习出一个关于橘子嘚特征和它是否甜之间关系的模型。

下次我们再去市场买橘子面对新的橘子（测试数据），然后将新的橘子输入这个训练好的模型模型会直接输出这个橘子是甜的，还是不甜的

有了这个模型，我们现在可以满怀自信的去买橘子了根本不用考虑那些挑选橘子的细节。呮需要将橘子的物理属性输入这个模型就直接可以知道橘子是不是甜

更重要的是，我们可以让这个模型随着时间越变越好（增强学习）当这个模型读进更多的训练数据，它就会更加准确并且在做了错误的预测之后进行自我修正。

这还不是最棒的地方最棒的地方在于，我们可以用同样的机器学习算法去训练不同的模型比如我们可以使用同样的机器算法来预测苹果， 西瓜的模型这是常规计算机程序辦不到的。

这就是专属于我们的机器学习，有没有很酷

机器学习是用机器学习算法来建立模型，当有新的数据过来时可以通过模型來进行预测。