机器学习中线性回归和逻辑回归：

机器学习的分类：

监督学习和无监督学习，半监督学习

监督学习（Supervised Learning）：

监督学习是一种利用带有标签（标记）的数据进行训练的机器学习方法。
在监督学习中，训练数据包含输入样本和对应的标签（预期输出）。
学习的目标是通过训练数据构建一个模型，该模型能够对新的未标记数据进行预测或分类。
监督学习的典型应用包括分类（如垃圾邮件识别）和回归（如房价预测）等。
无监督学习（Unsupervised Learning）：

无监督学习是一种在没有标签（标记）的数据中发现模式和结构的机器学习方法。
在无监督学习中，训练数据只包含输入样本，没有相应的标签或预期输出。
学习的目标是从数据中推断出隐藏的结构、关系或规律。
无监督学习的典型应用包括聚类（将数据划分为类别）、降维（减少数据的维度）和关联规则挖掘等。

我们学到的例子是对花的分类，具体过程如下：

1，加载数据。我们用到了鸢尾花（Iris）数据集，这是机器学习和统计学中一个经典的数据集。该数据集包含 5 个属性下的 150 条记录 - 花瓣长度、花瓣宽度、萼片长度、萼片宽度和类别（物种）。
2，分析和可视化数据集。将 75% 的行数据及对应标签作为训练集，剩下 25% 的数据及其标签作为测试集。训练集与测试集的分配比例可以是随意的，但使用 25% 的数据作为测试集是很好的经验法则。（存在标签，是监督学习），重点（利用伪随机数生成器将数据集打乱。）。绘制训练集中特征的散点图矩阵。数据点的颜色与鸢尾花的品种相对应。
3，模型训练。
4，做出预测。
5，评估模型。这里需要用到之前创建的测试集。这些数据没有用于构建模型，但我们知道测试集中每朵鸢尾花的实际品种。因此，我们可以对测试数据中的每朵鸢尾花进行预测，并将预测结果与标签（已知的品种）进行对比。我们可以通过计算精度（accuracy）来衡量模型的优劣，精度就是品种预测正确的花所占的比例。

线性回归：处理数值问题，最后预测结果是数字，例如房价。

逻辑回归：属于分类问题，预测结果是离散分类，监督学习，在统计概率过程中是回归，最后判断决定概率值是分类。如上述的花的分类。

语义网络表示不多说，注意ISA和AKO的用处，分别是isa和a kind of。注意隐晦的表达，孙老师包含两个信息，孙老师（语义网络主题）ISA老师（属性）。

归结法证明，细节之一是量词辖域 ：

证明B是A的逻辑结论，是要将B取反然后和A进行或运算，如果结果是永真，即证明完成。

以这个为例：

第一步是取消蕴含式符号，第二步是减少否定符号的辖域。实行变量标准化，用w来更新变量。然后消去存在量词，化为前束式。化为合取范式。消去全称量词和连接词。