“知识”都有哪些种（机器学习视角）
前言
这种知识分类完全是从机器学习理论中引入到日常学习中的。
正文
若以任务类型为视角，则知识可划分为
- 分类（classification）
- 回归 （regression）
一、“君子和而不同，小人同而不和”
分类知识是最常用的。它们是判断一个事物属于哪个类型，也出现在各式各样的决策中。
例1：判断一个数字是偶数还是奇数（二类）
- 输入：任意数字
- 输出：是否为偶数
例2：判断一个行为是不是爱情（二类）
- 输入：任意事件
- 输出：是否为爱情
例3：从外表判断某人的年龄段（三类）
- 输入：某人外表
- 输出：少年或青年或老年
例4：判断一个生物属于植物、动物、昆虫、微生物等（超过三类）
- 输入：某生物的特征
- 输出：哪种生物类别
例5：判断一个发音属于哪个单词（数千类）
- 输入：某段发音
- 输出：哪个单词
例6：决定是否与某人结婚
- 输入：相处时观察到的言行与家庭等综合因素
- 输出：结婚与否
例7：决定是否买车
- 输入：个人与环境等综合因素
- 输出：是否买车
在没有计算机扩展我们自身能力之前，思考类知识中大部分都是分类知识。在中国古代的著作里，如《论语》、《孟子》等留下来的知识也都是分类知识。「君子和而不同，小人同而不和」可用于判断君子和小人。
分类知识可以说是最重要，可往往也是数学中最容易被轻视的知识。因为应用任何知识之前，都是先用分类知识来判断问题属于哪一类，然后才能够应用公式和性质来解决。由于很多学生缺少这类知识的训练，造成他们只会做逻辑题，却难以解决应用题，更无法用数学知识解决生活问题。让学生误以为数学只是一种智力游戏。
很多题解不出来是因为学生不根本无法判断某个问题属于哪一类，连用公式和性质的机会都没有。遇到这种情况时，很多家长和老师都简单的归因为“不熟”，提升方式也基本靠悟。但是什么叫“不熟”？这种“不熟”又该如何提升。
很多人往往是工作了以后才提升了该能力，因为他们遇到了很多实际例子，基本等于重学了一遍。不觉得很奇怪吗？本该在学校学习的东西反而不得不在工作中才真正学会。可这并非没有办法的事情，因为只要在学生阶段针对性的用实际例子来训练这类知识，就不必在工作中来重新学习了。
比如学习三角函数时，第一个要学习的知识不是三角函数的公式，而是要学会判断哪些东西可被视为三角形的各个角和边。世界上没有“三角形”这种东西，是人们观察了很多个实例，总结共性后所抽象出来的知识。在学习时也需要通过很多个实例才能将这种知识迁移到学生的脑中。只有当学会了判断它后，才能够将三角函数的知识应用于机器人的控制，飞机的导航，傅里叶变换，周期性动画的制作等。
而在画思维导图时，这类知识对应的关键词一般是主谓结构。你会自我提问“它是什么”来明确输入输出，问“为什么是”来决定判断的边界（依据）。
一个事物（输入）都有哪些类（输出）
例1：比如知识的分类（上）里的大脑模式视角这个关键词（输入）是主语，系动词被思维导图的连线代替了，谓语（输出）拥有两类：
- 输入：大脑模式视角
- 输出：思考类或运动类
- 边界：是否依靠意识
一个知识（输入）都有子知识（输出）
例2：思考类与运动类的速度特点这个关键词这个关键词（输入）是主语，谓语（输出）拥有4个子知识（自己定）：
- 输入：特点
- 输出：速度、精度、因素量、并行
二、从定性到定量
另一种只是不再是判断类别，而涉及如何从一种状态变成另一种状态。大都数的运动类都是回归知识。一个问题既可以被当作回归来处理（定量），也可以当作分类来处理（定性）。 在判断完问题属于哪一类后，可精准预测的定量的知识就更有价值。
例1：走路
- 输入：环境
- 输出：大脑送给肌肉的信号
例2：炒菜的放盐量
- 输入：食材数量
- 输出：该放多少盐
例3：从外表判断某人的实际年龄（分类时判断年龄段）
- 输入：某人外表
- 输出：年龄
例4：射击游戏的鼠标移动
- 输入：游戏画面情况
- 输出：手臂肌肉移动
三、高阶知识：数学
想特别说明的就是数学的知识，所有的数学的公式都是别人总结好的“知识的描述”，是纯粹的关系，而且是将同一类知识进行二次提取。比如 y = ax + b 这种关系可以表示所有符合线性关系的知识。
例1：西瓜斤数与总价的关系
- 输入：斤数
- 输出：总价
例2：光的传播时间与位移
- 输入：时间
- 输出：位移
例3：超过3公里时北京市出租汽的行驶距离与价格
- 输入：距离
- 输出：价格
当作为二阶知识时，线性关系这个分类知识的：
- 输入：某个知识
- 输出：是否为线性
这里我将问题留个读者：数学明明被用于所有科学的现实问题，可为什么大部分人都觉得自己学不会。一遍一遍的记住了数学公式，甚至理清了这些公式是怎么来的，但在现实问题面前全面崩溃。为什么大部分人都难以学好数学？