预计阅读时间：7分钟弱人工智能近几年取得了重大突破，悄然间，已经成为每个人生活中必不可少的一部分。以我们的智能手机为例，看看到底温藏着多少人工智能的神奇魔术。
决策树根据一些feature进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。
随机森林在源数据中随机选取数据，组成几个子集：S矩阵是源数据，有1-N条数据，A、B、C是feature，最后一列C是类别：由S随机生成M个子矩阵：这M个子集得到M个决策树：将新数据投入到这M个树中，得到M个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果。
逻辑回归当预测目标是概率这样的，值域需要满足大于等于0，小于等于1的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。
所以此时需要这样的形状的模型会比较好：那么怎么得到这样的模型呢？
这个模型需要满足两个条件“大于等于0”，“小于等于1”大于等于0的模型可以选择绝对值，平方值，这里用指数函数，一定大于0；小于等于1用除法，分子是自己，分母是自身加上1，那一定是小于1的了。
再做一下变形，就得到了logisticregressions模型：通过源数据计算可以得到相应的系数了：支持向量机将这个超平面表示成一个线性方程，在线上方的一类，都大于等于1，另一类小于等于－1：点到面的距离根据图中的公式计算：所以得到totalmargin的表达式如下，目标是最大化这个margin，就需要最小化分母，于是变成了一个优化问题：举个例子，三个点，找到最优的超平面，定义了weightvector＝－：得到weightvector为，将两个点代入方程，代入另其值＝1，代入另其值＝-1，求解出a和截矩w0的值，进而得到超平面的表达式。
a求出来后，代入得到的就是supportvector，a和w0代入超平面的方程就是supportvectormachine。
朴素贝叶斯为了解决这个问题，可以只看其中的一些单词：原始问题是：给你一句话，它属于哪一类？通过bayesrules变成一个比较简单容易求得的问题：问题变成，这一类中这句话出现的概率是多少，当然，别忘了公式里的另外两个概率。例子：单词“love”在positive的情况下出现的概率是0.1，在negative的情况下出现的概率是0.001。
K近邻算法给一个新的数据时，离它最近的k个点中，哪个类别多，这个数据就属于哪一类。
例子：要区分“猫”和“狗”，通过“claws”和“sound”两个feature来判断的话，圆形和三角形是已知分类的了，那么这个“star”代表的是哪一类呢？
k＝3时，这三条线链接的点就是最近的三个点，那么圆形多一些，所以这个star就是属于猫。
K均值算法先要将一组数据，分为三类，粉色数值大，黄色数值小。最开始先初始化，这里面选了最简单的3，2，1作为各类的初始值。剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别。
分好类后，计算每一类的平均值，作为新一轮的中心点：几轮之后，分组不再变化了，就可以停止了：AdaboostAdaboost是Boosting的方法之一。Boosting就是把若干个分类效果并不好的分类器综合起来考虑，会得到一个效果比较好的分类器。
Adaboost的例子，手写识别中，在画板上可以抓取到很多features，例如始点的方向，始点和终点的距离等等。
training的时候，会得到每个feature的weight，例如2和3的开头部分很像，这个feature对分类起到的作用很小，它的权重也就会较小。
而这个alpha角就具有很强的识别性，这个feature的权重就会较大，最后的预测结果是综合考虑这些feature的结果。
神经网络马尔科夫不是马尔代夫哈，MarkovChains由state和transitions组成。例子，根据这一句话‘thequickbrownfoxjumpsoverthelazydog’，要得到markovchains。
步骤：先给每一个单词设定成一个状态，然后计算状态间转换的概率。
『未完待续』