*本文假定读者拥有一定数学知识以及编程经验。
要谈人工智能必须说数据分析，要谈数据分析必须说统计与概率。
------------------------------------分界线------------------------------------------------
hello！，这里是最可爱的喵给各位带来的知识盛宴~！
简单的说，人工智能是什么？在70年前，三个男人，提出了三种不同的看法。
维纳认为人工智能是对于系统控制的一种自动化，因此他提出了控制论。他的理论我们要学，但学的很少。
香农认为人工智能是对于信息的处理和分析，因此他提出了信息论，他的理论是人工智能中的一种重要方法（信息论方法）。
图灵认为，人工智能就是对于事物的反馈，因此他设计了“图灵机”模型。并且提出了图灵测试方法。我们主要学的就是图灵和香农的方法。
机器学习
机器学习方法旨在基于底层算法和给定数据集生成预测模型。机器学习算法的输入数据通常由一组样本中的“特征(features)”和“标签(labels)”组成。特征是所有样本的测量结果，无论是原始的还是经过数学变换的结果；而标签是机器学习模型旨在预测的结果—也就是模型的输出。机器学习算法也可以处理缺乏标签的数据集。如图1所示，一般的机器学习工作流程首先是处理输入数据; 第二，学习或训练基础模型（一组数学公式和统计假设，定义学习规则）; 第三，使用机器学习模型对新数据进行预测。
比如说，我们对于西瓜，什么西瓜比较好吃呢？西瓜的“特征”，比如其色泽，敲起来的声音，根蒂的形状等等，按照“经验”把它们分到标签“好吃”和“难吃”下。
按照经验分类，这就是智能。
如果你学过线性代数，你会发现，所谓的特征其实可以看成是“基向量”，比如说，我建立某个预测房地产价格的模型，其特征是距离内环的距离，以及其居住面积的大小，这样就可以用x轴为距离，y轴为面积，z轴为价格。这看上去一点都不难。
数据预测
要想对数据进行预测，必须建立一个对应函数，如果你学过数学，马上会想起著名的“拉格朗日插值法”
令（x1，y1）（x2，y2）....（xn，yn）为输入的n个数据，对于n个数据，总有一个n-1次的多项式对应，
但遗憾的是，拉格朗日插值法使用的高次多项式，实质上并不适合建模，因为我们考虑问题不周全，特征之外会有很多干扰项。对于这些干扰项，我们用噪音称呼它们。
高次多项式最糟糕的地方在于，在于其有多个零点，也就意味着其波动巨大，如果用高次多项式拟合房价，恐怕会出现多个负值。
所以，次数越低，其可能性越高，线性回归显然是最简单，也是比较适合的。一般而言，除了差距巨大，使用线性回归预测是比较靠谱的。
主要方法还是最小二乘法以及扩张到n维超平面（拥有n个特征）的最小二乘法。
线性分类
考虑这样一个问题，某些类型的肿瘤是癌症，而某些类型是良性的。衡量一个肿瘤的指标是其大小和浸润性。
我们需要知道肿瘤的类型。不要小看这个问题，因为癌症误诊率大概是百分之20多，即使是有经验的医生也难免出错，但机器学习分类肿瘤可以使错误率降低到百分之5。