专家来说也很难掌握。但与此同时，许多强大算法的流程相对容易理解，无需成为人工智能专家。在这篇博文中，我想更详细地讨论三个这样的流程，最重要的是，帮助人工智能的潜在用户更好地评估人工智能流程，从而更容易地开始他们自己的用例。决策树决策树是可以想象到的最简单的算法。在这里，决策选项的呈现类似于树梢的树枝。决策树资料来源示例性决策树算法旨在判定一个人的身体是否健康。这涉及到一系列问题，例如使用聊天机器人询问客户问题。每个答案都决定了接下来要问的问题。
在我们的示例中：如果所考虑的人是岁，我们就会被问到他们是否从事运动。如果他岁，关于饮食习惯（例如经常吃披萨）的问题似乎更相关。在每条路径的末尾都有一个“适合”或“不适合”类别的分配。亮点在于算法本身会学习要问 丹麦电话号码数据 哪些问题以及如何根据答案安排问题。这种情况的发生无需其他人的积极参与。它“学习”是因为它不会提出任何问题，而是根据某些标准进行内部优化（用户不会注意到）。其中一个标准可能是划分的质量：要运行的问题（或划分）的选择方式应能够实现两个目标类别（“适合”或“不适合”）之间最清晰的划分。
年龄、吃披萨和体力活动肯定对一个人的运动状况有很大影响，并相应地加权。线性回归这个过程可能有些人很熟悉。想象一下，尝试根据未来学生的学术GA来预测他们的大学GA。使用平均绩点示例进行回归资料来源：nlineabkregreininfereniall黑点显示了过去的知识：大学平均成绩已知的学生的学校平均成绩。该算法现在计算最佳的最佳拟合线（此处以红色显示；最佳意味着总偏差尽可能小）。这条补偿线显示了以前学校成绩和大学成绩之间的关系，可以转移到新一代的学生身上。这使得我们的算法能够对大学平均成绩进行预测。