在入门机器学习之前，我们先了解一些简单的术语：
特征：也称作 属性 训练集：训练机器大脑的样本，包含特征与 目标变量 测试数据：用于测试机器学习算法的效果，测试数据通常不包含 目标变量 ，目标变量有机器学习算法得出 精确度：比较预测结果与实际结果 如何开发机器学习应用程序 收集数据：收集数据的途径很多，爬虫、公开数据源、设备测量数据集等 准备输入数据：确保数据符合 机器学习算法 的格式等要求 分析输入数据：可能需要人工干预分析以前得到的数据，确保数据中没有垃圾数据 训练算法：从数据中抽取知识与信息 测试算法：评估算法处理后的 目标变量 使用算法：转换算法为应用程序，执行实际任务 开发环境这里使用 python 作为开发语言，下边我们来配置环境：
curl -O https://bootstrap.pypa.io/get-pip.py如果你的版本是2.7：
python get-pip.py如果是python3：
python3 get-pip.py 基础库我们使用了 NumPy 作为基础库，这里包含了线性代数等知识。比如说我们如何求一个矩阵的逆：
randMat = mat(random.rand(4, 4)) // 从随机的数组中创建矩阵 invRandMat = randMat.I // invRandMat就是randMat逆矩阵 入门知识小结学习机器学习算法，必须了解数据实例，每个数据实例有多个特征值组成。为了充分的构建和训练机器，我们必须已知大量的训练样本集。