看哪！ 本文仅供不知道@＃$是什么的读者使用！ 这是机器学习（ML）吗？ 对于那些在看到人们谈论此事时感到被排斥的人。
您完全不需要来自TECH背景。 我向您保证，阅读本文后，您将获得足够的信息，可以参与有关机器学习的随意讨论。
从广义定义开始，ML是…
模仿和适应人类行为的机器。
例如，让我问你一个测验…
- 3–9
- 4–16
- 8–64
- 9 —？
你怎么来81
这正是我们试图教导机器的一种行为。 我们正在尝试教机器“从经验中学习” 。
机器学习算法使用计算方法直接从数据中“学习”信息，而无需依赖预定方程式作为模型。
随着可用于学习的样本数量的增加，这些算法可以自适应地提高其性能。
臭名昭著的ML算法会在数据中找到自然模式，获得洞察力并预测未知数，以便做出更好的决策。
ML技术有两种类型：
- 监督学习
- 无监督学习
朋友，您不用担心！ 一步一步来。
使用输入数据和输出数据查找模式（并开发预测模型）。
所有监督学习技术的分类或回归区域形式。
分类 ：
分类用于预测离散响应。
例如：
印度会赢得板球比赛还是输掉板球比赛？电子邮件是SPAM还是GENUINE？
WIN，LOSE，SPAM和GENUINE是预定义的类。 输出必须取决于输入而落入其中。
回归 ：
回归用于预测连续响应。
例如：
股市价格趋势，天气预报等
仅基于输入数据查找模式。 当您不确定要查找的内容时，此技术很有用。 通常用于原始数据的探索性分析。
大多数无监督学习技术都是聚类分析的一种形式。
聚类分析：
在“聚类分析”中，您可以根据特征值对具有相似度的数据项进行分组。
最后，您将拥有一组不同的组（假设A-Z这样的组）。 一组（A）中的一个数据项（d1）与同一组（A）中的其他数据项（d2-dx）非常相似，但是d1与属于不同组（B_Z）的数据项有很大不同。
回到我们的例子…
我们的测验是监督学习-回归技术的一个例子。
- 您的个人助手Siri或Google使用ML。
- 下周的天气预报使用ML。
- 在体育比赛中使用ML赢得Win Predictor。
- 医学诊断主要使用ML。
- 您可能会熟悉的某件事，想知道媒体网站如何向您显示与您的兴趣紧密匹配的推荐和广告？ 他们还使用机器学习。
希望您喜欢这篇文章。 在下面的评论部分中分享您的观点和疑问（如有）。 感谢您的光临！
