在一个风和日丽的周末……

　　故事一：瑞雪兆丰年

　　我们中国有一句关于农业生产的古老谚语：瑞雪兆丰年。

　　就是说，如果前一年冬天下很大很多的雪，那么第二年庄家丰收的可能性比较大。

　　这条谚语是怎么来的呢？我们可以想象当时的前景。

第一年

第二年收获时节

第二年冬天

第三年收获时节

第三年冬天

第四年收获时节

年复一年，若干年后的冬天。。。。

　　这就是瑞雪兆丰年的故事。头年的瑞雪和来年的丰收，本是两个看起来并不相关的现象，但是智慧的农民伯伯通过几十年甚至几代人的经验，总结出了两个现象之间的规律。

　　现代的农业学家通过科学的分析，弄清了瑞雪兆丰年规律背后的本质原理。但是对于古代农民伯伯来说，知道规律就足够了，可以通过规律来为下一年的生产生活做出有效的调整。

　　故事二：啤酒和尿布

　　就这样经年累月，沃尔玛积累了大量的顾客购物数据。直到有一天，沃尔玛的技术专家发现：

　　于是，这一尝试实行以后

　　上个世纪90年代，沃尔玛超市已经是美国最大的零售企业，拥有大量的顾客资源。那时候的沃尔玛已经采用了先进的计算机技术，随时记录着每天众多顾客购物车中所挑选的商品明细。

　　从此，沃尔玛的销售额得到了显著提升，啤酒尿布的故事也广为流传，成为了销售界和IT界津津乐道的成功典范……

　　这就是沃尔玛啤酒和尿布的故事。顾客购买啤酒的行为和顾客购买尿布的行为，原本是两个看起来没什么关联的现象。但是沃尔玛的技术专家以大量的用户购物数据为样本，通过先进的算法，最终寻找到了两者之间的重要关联和规律。

　　为什么购买啤酒的人更有可能同时购买尿布呢?是因为有了小孩的男人比别人更爱喝啤酒?还是因为爱喝啤酒的男人比别人更顾家?这些臆测似乎都有些牵强。

　　但是沃尔玛不需要关心规律背后的本质。对企业来讲，利用发现的规律，获得实实在在的利益就足够了。

　　以下是小灰根据个人理解说画的流程图：

　　以下是大黄基于小灰的流程图所做的补充：

　　以下是大黄对流程图结果部分作出的调整。其中假设模型可以理解成训练出来的降雪和收获的规律，通过假设模型，从新一年降雪情况推断出下一年收获情况的过程称为回归。至于啤酒尿布的例子，属于截然不同的机器学习类型，只需找出关联关系，并不需要进行回归。

　　机器学习按照方式不同主要分为三大类，有监督学习(Supervised learning)、无监督学习(Unsupervised learning)以及半监督学习(Semi-supervised learning)。

　　监督学习：通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出。在瑞雪兆丰年的例子中，头年降雪量就是输入，来年亩产量就是输出。

　　非监督学习：直接对输入数据集进行建模，寻找关联。例如啤酒尿布的例子，只需要寻找关联性，并不需要什么明确的目标值输出。

　　半监督学习：综合利用有输入输出的数据，和只有输入的数据来进行训练。可以简单理解成监督学习和非监督学习的综合。