每日有進步，每日有記錄，每日有輸出
原文來自網站 Artificial Inteligence
目的：不用額外的“編程”讓計算機來“學習”如何處理問題
過程：給出數據和訓練模型，用訓練得到的結果來對新的數據進行預測
基本的及其學習可以劃分爲有監督學習和無監督學習兩種；
有監督學習：一開始給計算機input和對應的output，之後計算機將對新的input計算output，按照一定條件（開始給定的input/output的對應法則）進行篩選後再輸出output。
無監督學習：直接讓計算機進行學習，並且不給定任何期望輸出。
有監督學習的典型應用
圖片分類（分類模型）
在訓練時給出圖片標籤，之後計算機收到新的符合預期的圖片會自動識別進行分類；
市場預測（迴歸模型）
給出市場的歷史數據，計算機根據這些歷史數據進行學習和分析，然後能夠通過歷史數據預測之後的市場情況
無監督學習的典型應用
聚類：讓計算機將分散的數據按照一定的規律聚類，該方法在科研中使用的頻率非常高。
多維度可視化：提高數據可視化的維度。
生成模型：通過輸入數據的概率分佈，自動生成更多數據。
特徵
假設現在我們要開發一個腫瘤類型預測系統（惡性or良性），那麼我們第一個需要輸入的特徵就是腫瘤的大小，然後考慮輸入更多的特徵，比如年齡。這樣做的目的就是通過添加更多相關特徵使系統更加健壯可靠，可以添加的特徵多達幾千種…具體的添加方法通常需要通過數學工具來對數據進行處理。
訓練
給出一組輸入數據和對應的理想輸出，經過訓練後即可得到理想的模型。