前段时间更新了一系列基础的机器学习算法，感觉有些无味，而且恰好那时买了了国内某公司的云服务器，就打算部署一套文本处理的WEB API，顺别应用一下之前学习到的机器学习算法。(文末放出地址)

在本系列前面的内容中，讲述了一系列的机器学习方法。要知道机器学习算法中，比较常用的主要分成有监督学习和无监督学习（其实还有一个叫半监督学习，在这里先不作讨论），简单点来说，所谓的有监督学习,就是人类会给训练集指明label,自然的无监督学习就是不为训练集指明label。所以本系列前段时间所说的就属于有监督学习。

可能有朋友会看见数学气息比较浓心理就咯噔一下，先别急着叉掉本文，说朴素贝叶斯算法算法的数学气息比较浓，并非它有什么巨发杂的数学公式，而是它常见于概率统计之中，在本科教育就有对其比较详细的描述，而之前体积的K邻近，决策树,包括以后可能会谈到的SVM,神经网络网络等，恐怕不是专业领域,很难知道这些名词。

之前给出的是KNN算法，通过计算紫色点都周边的剧场的长短，来判断紫色点属于哪个类别。现在有这样一种极端情况，黄点和绿点在紫点周围呈圆周分布，距离一样，咋办？

决策树故名思意是用于基于条件来做决策的，而它运行的逻辑相比一些复杂的算法更容易理解，只需按条件遍历树就可以了，需要花点心思的是理解如何建立决策树。

心生向往是因为机器学习在很多方面都已经展现出其魅力，在人工智能的领域比如说AlphaGo，计算机视觉领域的人脸识别,车牌识别，靠近生活的有推荐系统,用户画像，情感分析等等,都或多或少用到机器学习的知识。其中大部分应用是相当能满足程序员心中的极客精神的

在上篇文章豆瓣电影，电视剧DM实战中提及到，我和室友们产生了剧荒，萌生出要做一个个人用的推荐系统，解决剧荒的问题的想法，经过一轮的死缠烂打，这个个人推荐系统终于成型了。

前段时间AlphaGo和李世石广受关注，作为人工智能的脑残粉，看完比赛后激动不已，因为有一定的机器学习的基础，便打算撸一个棋类的AI，但我还算有点自知之明，围棋AI，甚至google打算做得通用AI是做不出的了，所以打算撸一个五子棋的AI。