先介绍几个概念：
决策树，朴素贝叶斯，梯度下降，线性回归
决策树
决策树
朴素贝叶斯
这里我只想到贝叶斯的概率公式，欢迎补充。
朴素贝叶斯
梯度下降
记得第一次看见这个概念是在多元微积分里，这次捡起来。
梯度下降用来最小化误差。
梯度下降
线性回归
提到这个直接想到的就是最小二乘法，通过散点拟合线性方程。
线性回归
接下来是机器学习常用的算法：
逻辑回归
逻辑回归
SVM(支持向量机)
SVM
核函数
核函数
神经网络
神经网络
神经网络类比生物神经元
K均值聚类
如果数据有很多堆呢？
K聚类
层次聚类
如果不知道k聚类分成多少堆，这时候用层次聚类再合适不过了。
层次聚类
总结：
可以说逻辑回归是一个把数据分成部分的忍者，而SVM又一个对周围的数据比较挑剔。
逻辑回归和SVM
神经网络是一个忍者群，核函数让不同的东西上升或者下降。
神经网络和核函数
