在一個風和日麗的周末……

　　故事一：瑞雪兆豐年

　　我們中國有一句關于農業生產的古老諺語：瑞雪兆豐年。

　　就是說，如果前一年冬天下很大很多的雪，那么第二年莊家豐收的可能性比較大。

　　這條諺語是怎么來的呢？我們可以想象當時的前景。

第一年

第二年收獲時節

第二年冬天

第三年收獲時節

第三年冬天

第四年收獲時節

年復一年，若干年后的冬天。。。。

　　這就是瑞雪兆豐年的故事。頭年的瑞雪和來年的豐收，本是兩個看起來并不相關的現象，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后的本質原理。但是對于古代農民伯伯來說，知道規律就足夠了，可以通過規律來為下一年的生產生活做出有效的調整。

　　故事二：啤酒和尿布

　　就這樣經年累月，沃爾瑪積累了大量的顧客購物數據。直到有一天，沃爾瑪的技術專家發現：

　　于是，這一嘗試實行以后

　　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采用了先進的計算機技術，隨時記錄著每天眾多顧客購物車中所挑選的商品明細。

　　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為流傳，成為了銷售界和IT界津津樂道的成功典范……

　　這就是沃爾瑪啤酒和尿布的故事。顧客購買啤酒的行為和顧客購買尿布的行為，原本是兩個看起來沒什么關聯的現象。但是沃爾瑪的技術專家以大量的用戶購物數據為樣本，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。

　　為什么購買啤酒的人更有可能同時購買尿布呢?是因為有了小孩的男人比別人更愛喝啤酒?還是因為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后的本質。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：

　　以下是大黃基于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獲的規律，通過假設模型，從新一年降雪情況推斷出下一年收獲情況的過程稱為回歸。至于啤酒尿布的例子，屬于截然不同的機器學習類型，只需找出關聯關系，并不需要進行回歸。

　　機器學習按照方式不同主要分為三大類，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系，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，并不需要什么明確的目標值輸出。

　　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。