前言
百度百科搜索“机器学习”，映入眼帘的是我无法企及的高度：
- 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
让我在怀疑自己智商的同时也在思考：这段话除了阐述了机器学习很牛X，能够模拟人类学习行为以外，好像并没有让我明白这四个词的含义，反而加重了我的思想负担，带着我越加沉重的大脑继续往下看，找到了我认为本词条最为重要的定义：
然而并卵!!!
就像是看着笑傲江湖里的《葵花宝典》，由于没有自宫，看了再怎么高深的剑法招式，也只是流于片面，除了牛批，还是牛批。至此我终于明白，原来是打开方式不对，从一开始就错了(要自宫)!
所以，需要换个方式，这一次我们用初中数学打开：
从一次函数说起
在初中的数学中，我们常常遇到类似这样题目：
- 给定平面内的三个点坐标(x,y): A(1,3)、B(2,5)、C(3,7)求x=5时,y的值。
面对如此问题，我们可以先把三个点放到坐标轴上看看，如图：
可以发现三个点在一条直线上，符合一次函数的性质，那我们只需要求出这条直线的方程式，将x=5代入方程式，就可以求出此时y的值。
此时，问题就变成了：
- 已知A(1,3)、B(2,5)、C(3,7)三个点，横坐标和纵坐标的关系符合一次函数
求x=5时，y的值。
问题到此就进入了我初中知识水平的层面，只需要将A、B、C三个点代入y=kx+b得到关于k和b的一个方程组，求解可得：
那么x=5时，y等于2*5+1=11(放着我来，这个我会算)。
问题思考
机器学习无非就是类似于上面的一个过程，在给定一定量的输入(x)和输出(y)数据的前提下，找出一个函数来表示这些x和y之间的关系，根据这个函数，我们可以在知道x的条件下轻松求出y，例如我们在网购之后输入评论，系统就能自动识别出是好评还是差评。
上述案例的这个函数我们可以称之为模型，x称之为特征，y就是机器学习要预测的结果，而已知的x和y的组合称之为训练数据，训练的过程也就是找出x和y的关系的过程(而不是用皮鞭抽的过程)。
然而真实的机器学习案例中往往没这么简单，只有一个特征x的函数怎么满足更为复杂的业务需求呢?
“一个不行就两个，两个不行就三个，三个不行还可以加呀，只要给钱，不好意思，扯远了!”
当特征数量为多个，我们依旧可以基于上面的一次函数基础，进行模型假设
那么问题也可以得到解决，这就是机器学习里面较为基础的线性回归。
如果你觉得这些函数都只能求出一个值，没啥意思，能否帮我识别出评论区里哪些是好评，哪些是差评呢?
“当然是没问题的!只需要把y的结果映射到0-1之间，然后对y进行判断，y>=0.5表示好评，y<0.5表示差评就行，然后这个映射函数我们称之为激活函数，怎么实现的先不管，理解为主”
这样就实现了机器学习中分类任务逻辑回归。
如果你觉得一个特征对应一个权重有点low，而且很多事情都并非是线性相关，如何解决这个问题呢?
“一层权重不够，那就加呗,如果再不够，那就再加!”
你还要吗?我再加点
上面的过程跑得有点远，一不小心已经到了深度学习的层面，路漫漫其修远兮，我的智商有点跟不上...(所以用省略号代替)
总结
以上案例仅仅是机器学习中监督学习的过程，真正的机器学习往往比这个复杂得多，还分为非监督学习，半监督学习，在此不做多余赘述，有机会再写，再见!
