在一個風和日麗的週末......
故事一：瑞雪兆豐年
我們中國有一句關於農業生產的古老諺語：瑞雪兆豐年。就是說，如果前一年冬天下雪很大很多，那麼第二年莊稼豐收的可能性比較大。
這條諺語是怎麼來的呢？我們可以想象當時的情景：
第一年冬天
第二年收穫時節
第二年冬天
第三年收穫時節
第三年冬天
第四年收穫時節
年復一年，若干年後的冬天......
這就是瑞雪兆豐年的故事。頭年的瑞雪和來年的豐收，本是兩個看起來並不相關的現象，但是智慧的農民伯伯通過幾十年甚至幾代人的經驗，總結出了兩個現象之間的規律。
現代的農業學家通過科學的分析，弄清了瑞雪兆豐年規律背後的本質原理。但是對於古代農民伯伯來說，知道規律就足夠了，可以通過規律來爲下一年的生產生活做出有效的調整。
故事二：啤酒和尿布
上個世紀90年代，沃爾瑪超市已經是美國最大的零售企業，擁有大量的顧客資源。那時候的沃爾瑪已經採用了先進的計算機技術，隨時記錄着每天衆多顧客購物車中所挑選的商品明細。
在其中一個普通的日子裏：
就這樣經年累月，沃爾瑪積累了大量的顧客購物數據。直到某一天，沃爾瑪的技術專家發現：
於是，這一嘗試實行以後......
從此，沃爾瑪的銷售額得到了顯著提升，啤酒尿布的故事也廣爲流傳，成爲了銷售界和IT界津津樂道的成功典範......
這就是沃爾瑪啤酒和尿布的故事。顧客購買啤酒的行爲和顧客購買尿布的行爲，原本是兩個看起來沒什麼關聯的現象。但是沃爾瑪的技術專家以大量的用戶購物數據爲樣本，通過先進的算法，最終尋找到了兩者之間的重要關聯和規律。
爲什麼購買啤酒的人更有可能同時購買尿布呢？是因爲有了小孩的男人比別人更愛喝啤酒？還是因爲愛喝啤酒的男人比別人更顧家？這些臆測似乎都有些牽強。
但是沃爾瑪不需要關心規律背後的本質。對企業來講，利用發現的規律，獲得實實在在的利益就足夠了。
以下是小灰根據個人理解說畫的流程圖：
以下是大黃基於小灰的流程圖所做的補充：
以下是大黃對流程圖結果部分作出的調整。其中假設模型可以理解成訓練出來的降雪和收穫的規律，通過假設模型，從新一年降雪情況推斷出下一年收穫情況的過程叫做迴歸。至於啤酒尿布的例子，屬於截然不同的機器學習類型，只需要找出關聯關係，並不需要進行迴歸。
機器學習按照方式不同主要分爲三大類，有監督學習（Supervised learning）、無監督學習（Unsupervised learning）以及半監督學習（Semi-supervised learning）。
-
監督學習：通過已有的一部分輸入數據與輸出數據之間的對應關係，生成一個函數，將輸入映射到合適的輸出。在瑞雪兆豐年的例子中，頭年降雪量就是輸入，來年畝產量就是輸出。
-
非監督學習：直接對輸入數據集進行建模，尋找關聯。例如啤酒尿布的例子，只需要尋找關聯性，並不需要什麼明確的目標值輸出。
-
半監督學習：綜合利用有輸入輸出的數據，和只有輸入的數據來進行訓練。可以簡單理解成監督學習和非監督學習的綜合。
這裏所介紹的相關知識，只是作者對於機器學習領域的淺層次理解。通過這篇漫畫，希望沒有從過IT行業，或者不瞭解機器學習的朋友們能夠對機器學習有一些初步的認知。
希望有經驗的朋友們對本文提出寶貴意見，指出其中的紕漏和不足，非常感謝！
————— END —————
本文轉自（微信訂閱號），僅作爲收藏，如有侵犯請聯繫：
http://mp.weixin.qq.com/s?__biz=MjM5MjAwODM4MA==&mid=2650690576&idx=1&sn=1bc009cbeffd5613201228a5b27744de&chksm=bea625c389d1acd57ef35092ddfcc42cdd846a505e3d7c2ea5176053a2e6cf46b5bbecdfab87&mpshare=1&scene=23&srcid=1104QTjupgQ7Bnvhsu4uRIxl#rd
