如果使用Python写的，那可能是机器学习
如果使用PPT写的，那可能是AI
一个人的成长分为两大部分，身体与思维。而饮食和学习正是让人身体成长、思维进步的必经之路。在科技领域，随着计算能力、算法和数据的相辅相成，机器学习逐渐成长。机器通过吃掉海量的多维度的数据，根据这些数据特征判断并做出决策。机器读数据就像人读书一样，让自己增长阅历以及变得更智慧。
跟随下面的入门案例，让我们体验机器学习的魅力！数据越多，维度越宽，机器学习的东西也就越多，其判断的准确性也会大大提高。首先安装python,然后安装相应的机器学习库：此处我的python安装在c:python27目录下：切换到python27安装目录，通过命令python–mpiplist查看已经安装的函数。
本案例用到sklearn库中的决策树tree，这里本机已经安装上了，如果没有安装，可以执行如下命令安装：切换到安装那就在 C:Python27Scripts 这个路径下，在pip install--user sklearn这里我们还需要安装决策树tree，如下图：
下面开始处理收集到的数据，数据存储如下:这里使用人的身高和是否有胡子来作为特征变量(tz)，而性别来作为标签(bq):
说明：数据量越大，机器学习模型越好，结果就会越精确，这里只引入4男4女特征来做个学习案例。
tz特征变量数组存储的身高和有无胡子数据，bq变量存储的性别列数据，m：男，f:女
根据处理的数据建立模型，让机器判断根据特征数据，做出男女判断。首先创建了决策树对像jcc=tree.DecisionTreeClassifier()，然后把数据变量引入到决策树对象，交给机器判断。
根据这个机器学习模型，假设我们给出了身高159没有胡子的人，那么机器会判断此人是男还是女。执行如下程序：jcs.predict([[159,0]])
根据数据，机器学习的决策树模型判断此人为f,我们知道f代表的是女性，机器判断正确。例子虽然简单，但让我们能够深刻领会机器学习的处理流程，以及对数据的理解，建模的理解，机器算法的应用，然后根据新数据应用到机器学习中，进行机器学习应用决策。在金融领域根据客户历史特征数据判断好客户和坏客户，这些都是机器学习的价值应用，数据越多，机器学习判断的越精确。
