芒果购物
假设你有一天去芒果购物。供应商已经布置了充满芒果的车子。您可以选择芒果，供应商会称重它们，您按照每公斤固定的卢比（印度的典型故事）支付费用。显然，你想为自己挑选最甜蜜，最成熟的芒果（因为你是通过体重而不是质量的）。你如何选择芒果？
你还记得你的祖母说明亮的黄色芒果比淡黄色芒果甜。所以你做一个简单的规则：只从明亮的黄色芒果中挑选。你检查芒果的颜色，选择明亮的黄色，付钱，回家。美好的结局？
不完全的。
生活很复杂
假设你回家并品尝芒果。其中一些不喜欢你喜欢的。你很担心 显然，你的祖母的智慧是不够的。芒果不仅仅是颜色。
经过很多的思考（品尝不同类型的芒果）后，你得出结论，明亮的黄色芒果保证是甜蜜的，而较小的明亮的黄色芒果只有一半的时间是甜蜜的（即如果你买了100个明亮的黄色芒果，其中50个是大的，50个是小的，那么50个大芒果一切都会很甜蜜，而在50个小人物中，平均只有25只芒果会变甜。
你对你的发现感到满意，下次你去芒果购物时，请记住。但下一次在市场上，你看到你最喜欢的供应商已经离开了城市。您决定从不同的供应商那里购买，谁供应来自该国不同地区种植的芒果。现在，你意识到，你学到的规则（那个大而明亮的黄色芒果是最甜蜜的）不再适用。你必须从头开始学习。你从这个供应商那里品尝到各种芒果，并意识到，小而淡黄色的，其实是最甜蜜的。
现在，一个遥远的表亲来到另一个城市。你决定用芒果治疗她。但是她提到她不关心芒果的甜蜜，她只想要最多汁的。再一次，你经营你的实验，品尝各种芒果，并意识到更柔软的芒果更多汁。
现在，你转移到世界不同的地方。在这里，芒果的味道与您的祖国不同。你意识到，绿色芒果其实比黄色芒果好。
你嫁给一个讨厌芒果的人。她喜欢苹果。你去苹果购物。现在，你所有积累的关于芒果的知识是毫无价值的。您必须通过相同的实验方法，了解苹果的身体特征和味道之间的相关性。你这样做，因为你爱她。
进入计算机程序
现在，假设所有这一切，你正在编写一个计算机程序来帮助你选择你的芒果（或苹果）。你会写下面的规则：
如果（颜色鲜艳黄色，大小很大，最喜爱的卖家出售）：芒果很甜。
如果（软）：芒果多汁。
等
你会使用这些规则来选择芒果。你甚至可以给你的弟弟提供这个规则列表来购买芒果，你会放心，他只会选择你选择的芒果。
但是，每次您从实验中做出新的观察，您必须手动修改规则列表。你必须了解影响芒果质量的所有因素的错综复杂的细节。如果问题变得足够复杂，手工制定准确的规则可能会变得非常困难，涵盖所有可能的芒果类型。您的研究可以为您获得芒果科学博士学位（如果有）。
但并不是每个人都有这样的时间。
进入机器学习算法
ML算法是一种比普通算法进化的过程。它们使您的程序“更智能”，允许他们自动学习您提供的数据。
你随机选择市场上的芒果样本（训练数据），制作每个芒果的所有物理特征的表格，如颜色，大小，形状，种植在哪个国家的哪个供应商等等（ 功能），以及芒果的甜蜜，多汁，成熟（产出变量）。您将这些数据提供给机器学习算法（分类/回归），并且学习一个平均芒果的身体特征与其质量之间的相关性模型。
下次您进入市场时，您可以测量销售芒果的特征（测试数据），并将其提供给ML算法。它将使用前面计算的模型来预测哪些芒果是甜美，成熟和/或多汁的。该算法可以内部使用类似于您先前手动编写的规则（例如， 决策树）的规则，或者可能会使用更多涉及的内容，但是您不必在很大程度上担心这些规则。
Voila，您现在可以非常信心地购买芒果，而不必担心如何选择最好的芒果的细节。此外，您可以使您的算法随着时间的推移而得到改进（强化学习），以便在读取更多的训练数据时提高准确性，并在错误的预测时进行修改。但最重要的是，您可以使用相同的算法来训练不同的模型，一种用于预测苹果，橘子，香蕉，葡萄，樱桃和西瓜的质量，并保持所有亲人的快乐:)
而且，是机器学习为你。是不是很酷
