从 2019 年开始，趋于整个行业的形式，一直在学习 AI 机器学习方面的知识，这期间买了很多书，也听了很多课。一开始学习的感觉很神奇，再到迷茫，几乎弃坑，最后到认清事实，中间花了一些时间来读书、看书和思考，我在这里分享 1 下自己粗浅的学习心得，是为了让更多的朋友从"白话故事"的角度理解机器学习，仅此而已。
此贴的目的，是让不懂机器学习的小白用户入个门而已。
论坛里面有很多帖子是关于 35 岁之后怎么办的话题，我今年也过了 35 了，AI 人工智能是整个互联网的大趋势，是挡不住的，要硬着头皮学下去才是生存之道。
如果内容表述过程中出现了理解上的偏差和错误，还请各位指正。
其实一开始学习的目的非常简单，希望能学到互联网业内神奇的"黑科技"知识，在测试工作中所运用和实践，既学了知识，又能提高团队的工作效率，还能在组织内 show 一下技术肌肉，实在是一举三得。
随着逐渐深入学习和接触下来，越学习越感觉害怕，对于数学不是很擅长的我，也越来越吃力，最后到了近乎放弃的状态。
停了一段时间后，自己还是重新调整了目标方向，把自己的目标定小一些，可不可以这样："如果不懂机器学习的人问你这是什么，给别人解释明白"，看似初级的目标，就成了我的学习目的。
最近几年特别热门的概念：人工智能、机器学习、深度学习，到底他们啥区别。
目的是为了让机器有 “智力”，为人所用。不是一个技术方法，只是一个广泛的概念。
让机器有 “智力” 这件事，怎么落地呢？那就让机器自己去学习与思考。人先定义好一些算法、输入数据（样本）、人标记出来的特征数据，并用这些信息进行分析，得出结果后自己做出一些行为。
让机器有 “智力” 后，深层次的挖掘数据中的关系。
一万个读者中，就有一万个哈姆雷特，A 说，我觉得是：吕布。B 说，我觉得是：赵云。C 说，我觉得是：关羽......，总之很难得出一个正确的答案，那么我们就以这个问题，借助机器学习的知识来实践一下，到底谁是三国时代中最厉害的武将，如果你是三国时代的一方郡主，招揽什么样的武将帮你打天下？
张飞说，刚刚的读者都没有提到我，是因为我长得丑吗？我不服。
那么，我们来客观分析 1 下，武将得具备哪儿些条件，参考了游戏《三国志》中的主要数据：
领兵打仗的能力，下属听不听你的。团队管理能力，能不能让 1 个 P5 的小兵在你的队伍中发挥 P6 的水平？
就是智谋高低，是否聪明狡猾
就是武功高低，是否身手了得
应该是颜值、人格等等这些信息，是不是名士
如果用这些维度去衡量一个武将的话，指挥统率能力、智谋、武力、魅力就是特征。拿张飞举例，张飞是一个武将，那么他就是一个数据样本；他的武力如果是 92，这个值就是特征值；张飞{指挥统率:77,智谋:80,武力:92,魅力:10}这一组数据就是一个武将的特征向量。
换句话说，如果我们得到了三国时期一批武将的数据样本，通过机器学习，这些数据样本可以叫做训练集，我们通过训练就可以得出了谁是三国时期最厉害的武将了。
如：张飞{指挥统率:77,智谋:80,武力:92,魅力:10}
吕布{指挥统率:87,智谋:88,武力:99,魅力:85}等等......
如果你是三国时期割据一方的领主，那你肯定希望网络那个时期的所有英才，辅佐你成就大业。
有的同学会问了，以张飞为例，下面这组数据中，如何让机器学习的算法去理解，"良将英才"跟这些特征之间有什么关系呢？
张飞{指挥统率:77,智谋:80,武力:92,魅力:10}
那么，我们可以把张飞的特征值，我们假设他的值为 x，把 x 放入 1 个三维空间里，空间里会有 1 个点来代表 “张飞”，这就是特征向量。一个向量就是一个武将的各种特征数据集合。
如果张飞的特征值 x 是输入数据，那么这个武将是否是良将英才的结果就是输出了。我们需要在输入和输出之间建立一个计算武将"英才能力"程度的算法模型。
我们本来并不知道这个算法模型的样子，代码怎么写，不过我们可以通过收集 N 多个武将的数据来得到算法，这个过程叫做回归。
现在我们来多输入几位武将，然后把几位武将的点都模拟在坐标轴中：
然后我们尝试用一条直线把各个数据点连起来，为了拟合这些数据点，直线要进行移动和旋转。
慢慢调整这条直线方程（ y = f(x) ）里的参数，这就是在做微调。尽量消除偏差，让直线与各个数据点精确吻合。
前面我们对武将的每一个特征进行了说明，分别是：指挥统率能力、智谋、武力、魅力，但是"良将"对于这 4 个特征属性的占比权重肯定各不相同，请看下面：
权重（Weight）通常是 0 到 1 的一个小数。究竟哪儿个特征是重要的呢？其实我也不知道，我们需要不断的"调试参数"，需要输入大量大量的武将数据，让自己的算法模型进行匹配。
那么问题来了，怎样才能让匹配结果的达到精准呢？
这时，要确定 1 个武将的"误差函数":列出理想的输出与实际输出，分别做减法后，得到偏差，再把所有的偏差进行平方和的计算。
为了计算的更精准，我们通常把数据按照数据结构特征进行分类，这称作：聚类法。比如：可以让同一类具有相似的武将值进行分类，也可以将具有相近重要性的武将分为一类。
为什么要做分类呢？因为只看原始数据，我们是看不出什么的，但是通过初步分类再看数据，会得到更多有用数据。
机器学习的目的就是对世界万物建立模型，以达到认识世界和改造世界的目的。而这个过程需要不断训练数据样本、不断加入新数据样本、交叉组合反复训练，最终利用算法模型来对世界万物进行相对准确的预测。
