复杂系统实例：
产业结构网络图：呈现出模块化结构，根据产业森林模拟国家经济。
产业结构网络图在分析经济上抛开了很多必要条件，看似缺乏了精确性，但我们仅仅借用数据，就可以简单模拟像国家经济这种如此宏观的领域，同时，能验证一些现象并从中获得启示。
初学复杂系统，以为复杂系统十分抽象且作用不显著，但这个例子让我看到了复杂系统以及大数据发挥的作用，也对模块化，参数等概念有了初步的认识。
机器学习：
背景: 大数据时代中比较，分析的作用变得低效，让机器模拟人的学习能力进行分析。
学习方式: 试错 横贯机器学习的始终。
监督学习：根据已有的训练样本来训练，机器输出的结果和标准答案对比，有及时的反馈。
无监督学习：没有训练样本，需要对数据进行建模。
强化学习：不具备及时反馈的学习方式。
监督学习：机器预测结果，与标准答案比较，反复试错不断接近真实情况。
实例：房价预测
用算法将数据分类：寻找重要特征。
泛化算法：对新鲜样本的适应能力。
线性回归：根据特征计算结果，如根据房屋特征计算价格。
根据数据计算特征的权重，但难以计算标准解，只能寻求次优解
方法：1.把每个权重都设置成1。
2.将每栋房产带入函数计算，验证估算值与正确价值的偏离程度。
3.不断重复第二步，尝试所有可能的权重值组合。
根据两个特征和可能权重值以图像显示。
顺着梯度可以最快到达Cost最低点。
过拟合：在一部分数据表现很好，在其他部分数据表现很差。
原因：样本数量不够。（如 黑天鹅）
追求完美容易导致过拟合。
交叉验证: 训练样本+测试样本，以防止过拟合。
强化学习算法：
元素：环境，对象，决策，反馈，观测
实例:阿尔法狗工作原理：
策略网络：进行筛选，减少范围。
加强决策网络：录入大师棋谱
估值网络：估算每个步骤的得分情况。
强化学习：根据结果的反馈和估值得分相结合，决定下一步怎么走。
