此篇適合入門的新人，尤其是自學或想嘗試了解的初學者。
筆者當初也是自學入門，因此希望可以給予各位一個好的開始。
至少了解概念，而不是東拼西湊學錯方向。
首先，先了解以下內容
通常分為以下三種方式做訓練，分別是 回歸 分類 集群
(分類)
首先先講分類，這個最容易理解，就是表面上的意思。使用機器學習將目標做分類，所以我們會有N個Label，Label就是我們標記的目標(註解1)。
(回歸)
再來是回歸，回歸通常計算的是最接近的值。
像是一個人的年齡、膚色深淺值、及痛苦的程度等等。
可能手頭上的資料在年齡上只會有0歲、10歲、20歲、30歲、40歲、60歲及70歲等等。
那麼就會用到回歸來計算該人的年齡，可能10歲的機率是50%，20歲的機率是50%，那麼機器學習的模型計算出的結果就會是15歲。
若以分類做的話，機器學習的模型只會將他分為10歲或20歲。
這就是區別。
當然，以上只是舉例而已，真實的機器學習計算並不是那麼簡單的。
但概念大概就是以上所描述的。
(集群)
這個就比較少會用到，筆者也並沒有去實作過。
因此也不過多講述，以下用圖片作為範例。
圖片可能可以讓各位更快速的理解，那麼以上就是本篇的內容。
下面是一些程式碼上的寫法，可以讓各位理解並上手。
(註解1.)
以動物為例，我們有N張照片，需要分類為貓 狗 雞 豬 牛。
假設貓的圖片，那該圖片的陣列會寫成 [1 0 0 0 0]
牛的圖片，那該圖片的陣列會寫成 [0 0 0 0 1]
雞的圖片，那該圖片的陣列會寫成 [0 0 1 0 0]
以此類推。
因筆者當初入門時，各大網站細節方面談論極少，因此每一篇都會盡量把所有細節寫出來。
請各位記得分類就是將目標物預測為某類，選擇機率最大的，是1就是1，2就是2。
回歸就是把各個機率做加權，可能會有小數點，也會有中間值的出現。
從資料輸入、標記、建模、模型存檔到讀取模型都會一一解釋。