这个瓜集合是我们的 训练集 ，根据所学内容的复杂性，它需要有很多 瓜 （或网页或其他）。 随着时间的推移，计算机将开始构建一个模型，说明它认为西瓜的各种属性如何影响它是否成熟。机器学习可以处理这些交互可能相对复杂的情况（例如，成熟的西瓜的硬度可能会根据西瓜的颜色和环境温度而改变）。我们以循环方式多次展示训练集中的每个甜瓜（想象这是你；现在你已经注意到你之前没有注意到的东西，你可以回到以前的甜瓜并从中学到更多。
旦我们确信计算机掌握了它
的窍门那么我们就可以通过向它展示它尚未见过的另一个集合中的西瓜来对其行测试（我们将这组西瓜称为 验证集 ），但是我们不分享这些瓜是否成熟。现在，并预测西瓜是否成熟（甚至可能成熟或不成熟）。我们可以从有多少瓜中看出计算机准确地识别出它学得有多好。如果它学得不好，更多的瓜，或者 马其顿 WhatsApp 号码列表 我们可能需要在幕后调整算法（ 大脑 ）并重新开始。 这种方法称为监督学习。
我们为学习算法提供有关
原始西瓜是否成熟的详细信息。确实存在替代方法，但监督 习是最好的起点，并且可能涵盖了谷歌正在做的一些事情。 这里要注意的一件事是，即使你训练了计算机可以很好地识别成 哥斯达黎加电话号码列表 熟的西瓜，它也不能比农民更能写出我们希望从农民那里得到的详尽规则集。 咖啡因基础设施更新 那么这一切如何适应搜索呢？ 首先，我们需要回到 年，推出 基础设施更新。当时我们还不知道，咖啡因是熊猫和企鹅的鼻祖。正是咖啡因让熊猫和企鹅诞生了。
