机器学习是人工智能的子领域之一。简而言之，是让机器拥有自主学习的一门科学和实践。我观看的入门课程视频是 youtube 上 Google Developer 频道的 机器学习讲座。
开发环境
我使用的是 anaconda3-4.4.0 的 python 集成开发环境，可以通过 pyenv 直接安装。具体操作可以参考这篇文章 Python多版本共存工具-Pyenv及Anaconda科学计算环境的配置。
分类器
Hello World 的实践的一个例子是如果根据一组包含苹果、橘子的重量以及表皮两种特征的数据来分辨未知物体。以下是训练数据：
训练数据
Classifer - 分类器，顾名思义，就是通过数据训练来进行分类，从而分辨不同的特征数据可能是哪一种水果。这个例子里用到的分类器是决策树，我从 scikit-learn 库直接使用就可以。
Hello World!
from sklearn.tree import DecisionTreeClassifier
feature = [[140, 1], [130, 1], [150, 0], [170, 0]] # 整理后的特征数据
labels = [0, 0, 1, 1] # 数据标签：0 - apple；1 - orangle
clf = DecisionTreeClassifier(random_state=0)
clf.fit(feature, labels) # 训练分类器
print(clf.predict([150, 0])) # 预测结果
实践代码就是这样，比较简单。（如果有 python 语言基础，很容易就看懂了）
B 站视频网址
我顺便把 youtube 的视频嵌上字幕后上传到了 B 站，网址在 这里
废话
机器学习不一样，你不知道它能力的边界在哪里，更没有明确的场景限制，几乎在你可以想到的如何事情中，你都可以构造一个复杂的网络，然后就把数据灌进去开始学啊学啊，蛮不讲理的就可能得出一个更好的结果。在竞争当中，这种武器是最可怕的，没有固定的形态，放到哪里都可能弄出来一个大杀器。这种武器，如果是别人有而你没有，不知道对方在什么地方那个，什么时候就突然拿出…… - 摘自某微信公众号文章（抱歉，忘记了出处）
