一个是演绎法，一个是归纳法，这两种方法分别对应人工智能中的两种系统：专家系统和机器学习系统。 所谓演绎法，是从已知的规则和事实出发，推导新的规则、新的事实，这对应于专家系统。 专家系统也是早期的人工智能系统，它也称为规则系统，找一组某个领域的专家，如医学领域的专家，他们会将自己的知识或经验总结成某一条条规则、事实
例如某个人体温超过7度、
流鼻涕、流眼泪，那么他就是感冒，这是一条 领英数据 规则。 当这些专家将自己的知识、经验输入到系统中，这个系统便开始运行，每遇到一些新情况，会将之变为一条条事实。当将事实输入到专家系统时，专家会根据规则或事实进行推导、梳理，并得到最终结论，这便是专家系统。 而归纳法是从现有样本数据中不断地观察、归纳、总结出规律和事实，对应机器学习系统或统计学习系统，侧重于统计学习，从大量的样本中统计、挖掘、发现潜在的规律和事实。
二、机器学习过程数据维度
可以大致推算出购物为什么能够知道你喜欢什么，是基于一个假设 需要 到 4倍的努力和成本 条件的：一个人历史的购物行为及偏好，会在未来的行为中也有迹可循。 所以利用机器学习我们通过用户历史交互数据特征包括：谁在什么时间买了什么东西，这个东西的名字叫什么，什么颜色，价格多少等等。 比较有用的可以对未来推荐有指导意义的特征包括： 购买力 一个平时只买元左右牛仔裤的用户，未来短期内买元和元的裤子的概率远远低于买左右或者左右的概率，所以推荐的时候会更优先给你看到-左右的裤子。
性别 平时在淘宝上只买男性或男
女通用商品的用户，率远远低于男性和男女通用商 买房B 品的概率。 年龄 一个一直购买-岁左右服饰的用户，未来短期内购买其它年龄段的概率远远小于-岁年龄段的概率。 三、为什么能够做到每个人不一样？ 根据学习逻辑归类，如果在机器学习阶段考虑一些跟人相关的因素特征，那这个因素的不同值就会影响结果输出。 比如我们现在根据用户对他购物的商品的评分数据，来预测一个他从未买过的商品的评分，背后影响用户评分的因素可能包括以下几个：价格，售前/后，物流，商家主营类目是否和用户购买的类目相同，其它用户的评分如果其他用户评分高则一定程度上代表了这个商品的好坏等等。 比如物流和价格这类因素特征，如果和用户这个特征做交叉后，其实会有非常迥异的权重值，而这一切是每个
