一位网友在Quora上提问：对于非计算机行业的人，你会如何向他们解释机器学习和数据挖掘？2012年12月22日斯坦福大学印度学生、机器学习爱好者PararthShah的回复非常经典，点赞3700+。买些芒果去假设有一天你要买些芒果。有一个推着手推车的小贩。你一个一个地采摘，供应商根据你采摘的芒果的重量向你付款（印度的典型做法）。显然，您想正确挑选最甜、最熟的芒果（因为小贩按芒果的重量而不是芒果的质量付款）。但是你要如何选择呢？你还记得奶奶告诉你，明黄色的芒果比深黄色的芒果甜。所以你有一个简单的标准：只挑亮黄色的芒果。你检查每个芒果的颜色，挑一些亮黄色的，结账就走，是不是很棒？但这不是那么简单。生活很复杂。你回家开始品尝你的芒果。你发现有些芒果并没有你想象的那么甜。你很着急。显然，奶奶不够聪明。摘芒果可不是光看颜色那么简单。想来想去（也尝过不同种类的芒果），你发现大的亮黄色的绝对是甜的，而小的亮黄色的只有一半的时间是甜的（比如说你买了100个如果有50个亮黄色的芒果，50个比较大，50个比较小，那么你会发现50个大的芒果是甜的，而50个小的芒果，平均只有25个是甜的）。您对自己的发现感到非常高兴，以至于在下次购买芒果时牢记这些规则。但是下次你来到市场时，你发现你最喜欢的芒果摊已经搬出城了。因此，您决定从其他芒果供应商处购买芒果，但该供应商的芒果产地与前一个不同。现在，你突然发现你学的摘芒果的方法（又大又亮的黄色芒果最甜）又不管用了。你必须重新学习它。你在那个小贩那里尝过各种芒果，你发现小的、暗黄色的芒果其实是最甜的。不久之后，你在另一个城市的远房表亲来看望你。你准备请她吃一顿芒果大餐。但她说芒果甜不甜无所谓，她要的芒果一定是最多汁的。所以，你用你的方法品尝了各种芒果，发现越软的芒果越多汁。在那之后，你搬到了其他国家。在那里，芒果的味道与他们在家乡的味道完全不同。你发现绿芒果实际上比黄芒果更美味。接下来，你娶了一个讨厌芒果的妻子。她喜欢吃苹果。你必须每天买苹果。如此一来，你积累的摘芒果的经验顿时变得一文不值。你必须用同样的方法来了解苹果的物理特性和它的味道之间的关系。你这样做是因为你爱她。让计算机程序进来。现在假设您正在编写一个计算机程序来帮助您摘芒果（或苹果）。你会这样写下规则：如果（颜色是亮黄色，尺寸大，从最喜欢的供应商那里购买）：芒果是甜的如果（软）：芒果多汁等等等等。您将使用这些规则来采摘芒果。你甚至让你的小弟弟按照这份清单规则去买芒果，你肯定他会买到你满意的芒果。但是一旦你在你的芒果实验中有了新发现，你将不得不手动修改这个规则列表。您必须找出影响芒果质量的所有因素的复杂细节。如果问题变得越来越复杂，手动制定所有芒果类型的选择规则就变得非常困难。你的研究将使你获得芒果科学博士学位（如果有这样的学位）。但是谁有时间这样做呢？机器学习算法机器学习算法是由普通算法演化而来的。它通过自动从提供的数据中学习，使您的程序“更聪明”。你从市场上的芒果中随机抽取一定的样本（训练数据），做一个表格，记录每个芒果的物理属性，比如颜色、大小、形状、产地、卖家等等。（这些称为特征）。它还记录了芒果是否甜、是否多汁、是否成熟（输出变量）。您将此数据提供给机器学习算法（分类算法/回归算法），它会学习芒果物理特性与其质量之间关系的模型。下次去市场时，只需测试这些芒果的特性（测试数据）并将其输入机器学习算法即可。该算法将根据先前计算的模型预测芒果是否甜、熟和/或多汁。算法内部使用的规则与您手写在纸上的规则（例如，决策树）或更复杂的东西非常相似，但基本上您不需要担心这一点。瞧，您现在可以放心地购买芒果，而无需考虑采摘芒果的细节。更重要的是，你可以让你的算法随着时间的推移变得更好（强化学习），因为它被提供更多的训练数据，它会变得更准确，并在做出错误预测后自我纠正。但最好的部分是，您可以使用相同的算法来训练不同的模型，例如预测苹果、橙子、香蕉、葡萄、樱桃、西瓜的质量，让您所有的亲人开心:)这是您自己的机器学习，是不是很酷？机器学习：让你的算法更聪明，让你可以偷懒原文链接：http://www.quora.com/How-do-you-explain-Machine-Learning-and-Data-Mining-to-non-Computer-科普人翻译链接：http://blog.jobbole.com/50338/
