一个给不知道机器学习是什么东西的人讲的一个挺不错的例子，方法。
今天从quora上看了一个问题：如何给不是CS的学生，给不知道机器学习和数据挖掘的学生，讲明白什么是机器学习和数据挖掘。
其中有个答案很不错，拿买芒果的例子来给大家解释。老师们也应该多用用类似的一些例子，启发下学生的思考。
买芒果
有一天，你想吃芒果了，你就到地边的小摊上去买芒果，小摊上有好多芒果啊，你可以自己用手挑芒果。跳完之后，摊主会给你称称，多少斤？根据重量来付钱。
买芒果嘛，你只要不是重口味或者口味独特，还是选择最甜的，熟透了的芒果。因为你是根据重量来付钱的，又不是根据甜的程度或者熟了的程度，虽然摊主有时候会把好的芒果挑出一堆来单独涨价，但是这里这个摊主没这么做。
你奶奶曾经告诉你说，买芒果要买金黄色的，黄橙橙黄灿灿的，这样的最甜，不要买那些浅黄色的，那些还没熟。
好吧，这样你就有了一点经验，虽然这点经验是别人直接教给你的：买芒果，就买金黄色的。你在小摊上，挑了些金黄色的，过磅付钱，回家。这事就这么完了？别急，下文。
生活没那么简单
你回家，高高兴兴吃芒果，但是你发现，并不是每个芒果都那么甜，有部分不甜啊。唉，老奶奶的经验还是不足啊，虽然吃的盐比我走的路多，但是只通过颜色判断芒果甜不甜，不是很靠谱。
你回忆回忆看看到底什么样子的芒果甜？好像是又大又金黄色的比较甜，那些小点的金黄色的芒果，得有一半是不甜的。（买了100个金黄色的芒果，有50个大的，都是甜的；另外有50个小的，其中有25个是不甜的。）
嗯，你总算总结出来一条经验规则了：大的金黄色的是最甜的，哈哈。你又高高兴兴的去买芒果。Shit，你熟悉的、你信得过的那个摊主走了。所以你得 换一个小摊买芒果了，但是新的摊主的芒果是产自不同的地方，你之前总结的经验可能不行了，你不知道能不能迁移过去（transfer learning），于是你从头再开始尝试吧，发现这里小的，浅黄色的是最甜的！
一天，你表妹来找你玩，想吃芒果，但是她不在乎甜不甜，她喜欢吃多汁的。唉，以前的经验又不顶用了。你只能进行新的一轮实验，目标就是多汁的芒果（优化目标变了）。你又总结出，越软的越多汁。
你出国了读PhD，这里的芒果跟你家乡的差不太大了，这里绿色的最好吃。PhD毕业后，你结婚了，老婆不喜欢吃芒果，喜欢吃苹果。你积累的丰富的挑选芒果的经验规则都不行了，或许有些你可以transfer过去。你不得不从头再开始一轮一轮的实验尝试，看看苹果的一些特征跟好吃不好吃的关系如何？虽 然这个过程很枯燥，但是你去做了，因为你爱她。
规则列表
你想把如何挑选芒果（苹果）的这些东西用程序实现出来，这样在电脑上，甚至用你的手机扫描一下，就能自动挑选出很多好吃的芒果。因为你积累了一些规则，可以这么实现：
if (color is bright yellow and size is big and sold by favorite vendor): mango is sweet.
if (soft): mango is juicy.
etc.
但是你想啊，这些规则越来越多的话，特征之间的组合啥的就越来越麻烦了，管理、使用都很麻烦。包括写程序实现啊，谁会笨到写这么多If Then。
机器学习
机器学习算法是普通算法的进化，更加聪明和自动。看如何把选芒果的问题定义成标准的机器学习问题吧。
随机的选择了一个市场上的芒果，作为要研究的目标（training data）。你可以用一个表格描述芒果属性和类型的关系，每一行可以放一个芒果的数据，包括芒果的物理属性（feature）:颜色、大小、形状、软硬度、产地，等等，还有这么芒果的类型（output variables）：甜度、成熟度、多汁度。然后这就是一个多分类问题，或者回归问题，自动的从数据中学习出特征与芒果类型的各种关系等。
如果你用决策树算法，那么这个模型的样子就是你的规则库了；当然你可以使用其他模型，例如线性模型，这样就是特征的线性组合了。
下次你去市场，采集了一个芒果的各个指标特征，扔进你的模型，模型告诉你这个芒果是什么类型的？熟的？多汁的？
各种方法
甚至你的选择芒果的模型，稍微变化下就可以选择苹果了，迁移学习。
甚至你的模型会随着新的样本、新芒果种类进来后，变的越来越好，增量学习。
。。。。。
有点知道机器学习什么事了么？