可以使用+-*/进行运算，支持浮点数运算，参与运算的数中有浮点数，则结果即为浮点数。可以使用float()，int()，long()来强制转换。

在看机器学习实战时候，到第三章的对决策树画图的时候，有一段递归函数怎么都看不懂，因为以后想选这个方向为自己的职业导向，抱着精看的态度，对 这本树进行地毯式扫描，所以就没跳过，一直卡了一天多，才差不多搞懂，才对那个函数中的plotTree.xOff的取值，以及计算cntrPt的方法搞 懂，相信也有人和我一样，希望能够相互交流。

算算时间，从开始到现在，做机器学习算法也将近八个月了。虽然还没有达到融会贯通的地步，但至少在熟悉了算法的流程后，我在算法的选择和创造能力上有了不 小的提升。实话说，机器学习很难，非常难，要做到完全了解算法的流程、特点、实现方法，并在正确的数据面前选择正确的方法再进行优化得到最优效果，我觉得 没有个八年十年的刻苦钻研是不可能的事情。 其实整个人工智能范畴都属于科研难题，包括模式识别、机器学习、搜索、规划等问题，都是可以作为独立科目存在的 。我不认为有谁可以把人工智能的各个方面都做到极致，但如果能掌握其中的任一方向，至少在目前的类人尖端领域，都是不小的成就。

CoreML是iOS 11新推出的机器学习框架，是人工智能的核心内容，他可以在训练好的机器学习模型应用到APP中

人工智能是机器人的核心，是机器人的大脑。想要制造一个大脑不是一件容易的事，所以很多机器人公司都在等着，等着谷歌，等着 Facebook，等着这些能做大脑的公司，能够在某一天将他们的技术开源。

PredictionIO是一个开源的机器学习服务器，能够帮助软件开发人员创建预测功能，比如个性化，推荐和发现内容。让开发人员利用机器学习构建智能软件。几乎任何应用与PredictionIO集成都可以变得更”聪明“。

适合初学者与高手的大量机器学习资源集合

YCML 是使用 Objective-C 编写的机器学习框架，也支持 Swift。

Petuum 是一个分布式机器学习框架。它致力于提供一个超大型机器学习的通用算法和系统接口。它主要集中在系统上 ＂plumbing work＂和算法加速的优化上面，当简化分布式 ML 程序实现时——允许你聚焦在模型优化和大数据分析方面。Petuum 能够在集群和云计算（比如：Amazon EC2 和 Google GCE）上高效运行。（ML 是指 ML 算法） 。

在之前的两节博文 《混合和装袋》 和 《自适应提升》 中，我们已经有现成的一堆假设g在手中，我们还如何将这些g混合起来，得到更好的分类器。

上个学习的时候，我除了TA机器学习以外，另外一半的时间就是上了System课程。因为上课的缘故，需要做一个课程项目，于是我决定做一些和分布式机器学习相关的事情。

我们先来说个老生常谈的情景：某天你去买芒果，小贩摊了满满一车芒果，你一个个选好，拿给小贩称重，然后论斤付钱。

7个最常见的机器学习任务及相关方法

Orange（http://orange.biolab.si/）是一个基于组件的数据挖掘和机器学习软件套装，支持Python进行脚本开发。Orange由斯洛文尼亚大学计算与信息学系的生物信息实验室BioLab进行开发，https://github.com/biolab 是一个实际应用的项目而不仅仅是技术工程，包含了该组织托管的相关开源工程。

【编者按】：随着互联网技术的迅速发展与普及，如何对浩如烟海的数据进行分类、组织和管理，已经成为一个具有重要用途的研究课题。而在这些数据中，文本数据又是数量最大的一类。以统计理论为基础，利用机器学习算法对已知的训练数据做统计分析从而获得规律，再运用规律对未知数据做预测分析，已成为文本分类领域的主流。InfoQ联合“达观数据“共同策划了《文本数据的机器学习自动分类方法》系列文章，为您详细阐述机器学习文本分类的基本方法与处理流程。本文为第一部分,着重介绍文本预处理以及特征抽取的方法。

人工智能早就不是一个新词了。早在六十年前，在达特茅斯学院举行的一次会议就正式确立了人工智能（Artificial Intelligence）的名称，以及研究领域和任务。在那之后，人工智能几经沉浮，走过黄金时代，也走过人工智能的寒冬。

通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。

先来一个简单的例子，我们如何来区分动作类电影与爱情类电影呢？动作片中存在很多的打斗镜头，爱情片中可能更多的是亲吻镜头，所以我们姑且通过这两种镜头的数量来预测这部电影的主题。简单的说， k-近邻算法 采用了测量不同特征值之间的距离方法进行分类。

机器学习是研究如何“利用经验来改善计算机系统自身的性能”的学科----From T. M. Mitchell TM. Machine Learning . New York: McGraw-Hill, 1997

艺术家如何使用机器学习来进行创作？纽约大学《用于艺术的机器学习》课程讲师Gene Kogan在本文中探讨了这个话题。