农场肯定也不存在不适合农业生产的问题,第十八篇：《常用数据挖掘算法从入门到精通 第十二章 人工神经网络算法》介绍了人工神经网络简介,第九篇：《常用数据挖掘算法从入门到精通 第四章SOM神经网络聚类（上）》介绍了SOM神经网络简介,而非洲一些地区之所以会出现贫穷与饥饿的情况,第十四篇：《常用数据挖掘算法从入门到精通 第八章 C4.5决策树分类算法》介绍了C4.5分类算法介绍,我用1000万人民币在非洲买了7300亩永久产权农场,第十二篇：《常用数据挖掘算法从入门到精通 第六章 决策树分类算法概述》介绍了决策树分类模型简介,第十三篇：《常用数据挖掘算法从入门到精通 第七章 ID3决策树分类算法》介绍了ID3算法原理介绍。
机器学习一般常用的算法有哪些哪个平台学习机器算法比较好呢
作者曾经写过系列文章介绍机器学习和数据挖掘入门常用的算法，在这里给出简介，有需要的读者，可以到作者的主页查看具体的内容。
《常用数据挖掘算法从入门到精通》系列共21篇文章，主要向大家介绍了包括 K-means聚类,决策树分类, 人工神经网络以及支持向量机等10多种常用的数据挖掘算法理论和具体的案例。
CONTENT
第一篇：《常用数据挖掘算法从入门到精通 第一章数据预处理（1）数据预处理简介》
介绍了数据预处理的目的；常用的数据预处理方法；一般数据预处理流程。
第二篇：《常用数据挖掘算法从入门到精通 第一章数据预处理（2）数据清理》
介绍了填充缺失值，光滑噪声数据的数据清理方法。
第三篇：《常用数据挖掘算法从入门到精通 第一章数据预处理（3）数据集成》
介绍了数据集成的概念；数据集成的内容；模式集成和对象匹配，冗余数据的处理，数值冲突的检测和解决的数据集成方法。
第四篇：《常用数据挖掘算法从入门到精通 第一章数据预处理（4）数据变换》
介绍了平滑/光滑处理，聚集操作，数据泛化，数据规范化，属性构造/特征构造的数据变换方法。
第五篇：《常用数据挖掘算法从入门到精通 第一章数据预处理（5）数据归约》
介绍了数据归约的概念；数据立方体聚集，维归约，数据压缩，数值规约，直方图的数据规约方法。
第六篇：《常用数据挖掘算法从入门到精通 第一章数据预处理（6）数据离散化和概念分层》
介绍了数据离散化和概念分层的概念；数值数据的离散化和概念分层建立的方法；分箱方法：一种简单的离散化技术，离散化：直方图方法，离散化：聚类分析方法的数据离散化和概念分层方法。
第七篇：《常用数据挖掘算法从入门到精通 第二章 K-means聚类算法》
介绍了K-means聚类算法简介；相似度准则与聚类性能评价准则；K-means聚类算法原理和步骤；K-means聚类算法实例。
第八篇：《常用数据挖掘算法从入门到精通 第三章 K-中心点聚类算法》
介绍了K-中心点聚类算法简介；K-中心点聚类算法原理；四种情况的代价函数；K-中心点聚类算法步骤；K-中心点聚类算法实例。
第九篇：《常用数据挖掘算法从入门到精通 第四章SOM神经网络聚类（上）》
介绍了SOM神经网络简介；SOM神经网络的结构；相似性测量；竞争学习规则WTA（Winner-Take-All）；竞争学习步骤。
第十篇：《常用数据挖掘算法从入门到精通 第四章SOM神经网络聚类（下）》
介绍了SOM网络的拓扑结构；SOM网的权值调整域；SOM网络的运行原理；SOM网络的算法流程；SOM网络算法实例；SOM神经网络聚类算法的简单理解。
第十一篇：《常用数据挖掘算法从入门到精通 第五章 贝叶斯分类算法》
介绍了分类分析；贝叶斯概率—主观概率；概率基础知识；Bayes 决策理论；贝叶斯分类案例。
第十二篇：《常用数据挖掘算法从入门到精通 第六章 决策树分类算法概述》
介绍了决策树分类模型简介；决策树的结构；决策树分类模型学习；分类特征选择；决策树的剪枝。
第十三篇：《常用数据挖掘算法从入门到精通 第七章 ID3决策树分类算法》
介绍了ID3算法原理介绍；熵和信息增益；ID3算法的信息增益算法；ID3算法实例分析。
第十四篇：《常用数据挖掘算法从入门到精通 第八章 C4.5决策树分类算法》
介绍了C4.5分类算法介绍；信息增益比（Information Gain Ratio）；对连续型属性的处理；对样本缺失值的处理；C4.5算法步骤；C4.5算法实例分析。
第十五篇：《常用数据挖掘算法从入门到精通 第九章 CART决策树分类算法》
介绍了CART算法简介（Classification And Regression Tree）；Gini指数；对缺失值和连续属性的处理；CART决策树的算法步骤；CART算法实例分析。
第十六篇：《常用数据挖掘算法从入门到精通 第十章 支持向量机理论基础》
介绍了统计学习理论；经验风险和结构风险；函数集的VC维。
第十七篇：《常用数据挖掘算法从入门到精通 第十一章 支持向量机算法》
介绍了结构风险最小化(Structural Risk Minimization，SRM）；分类问题的数学表示；分类问题的学习方法；线性可分情形：最大间隔原理；近似线性可分情形；线性不可分情形；核函数K(xi,xj)。-caveats
第十八篇：《常用数据挖掘算法从入门到精通 第十二章 人工神经网络算法》
介绍了人工神经网络简介；人工神经元模型；神经网络模型的三个要素；前馈(forward)神经网络；BP神经网络模型；BP神经网络训练的两个阶段；BP神经网络参数设定；BP网络的正向传递过程；BP网络的反向传播过程；BP神经网络的算法步骤。-caveats
第十九篇：《数据挖掘算法之关联规则挖掘Apriori算法详细过程》
介绍了关联规则挖掘的概念；关联规则的种类；支持度与置信度；频繁项集；Apriori定理；Apriori算法关联规则挖掘详细过程。
第二十篇：《数据挖掘技术之回归分析超全总结，常见回归模型介绍及应用场景》
介绍了回归分析介绍；简单线性回归；简单多项式回归；多元线性回归；多元多项式回归；多变量回归；Logistic逻辑回归；Poison泊松回归；Cox比例风险回归。
第二十一篇：《数据挖掘关键技术、步骤与算法发展历史，超全总结！》
介绍了数据挖掘关键技术；数据挖掘主要步骤；数据挖掘发展历史及各阶段的主要算法简介；未来发展。
我用1000万人民币在非洲买了7300亩永久产权农场，赔了还是赚了
在非洲用1000万人民币，买了7300亩农场的永久产权。这个价格应该是非常低的，要知道7300亩在我国一些地区，可是半个乡(镇)的面积啊，而且是永久产权，估计在世界其他国家和地区，这样的交易永远都无法实现。-caveats
一提到非洲，可能我们就会联想到非洲的贫穷与饥饿。那么我们理所当然地就会认为非洲的土地，肯定十分的贫瘠，不适合于农业生产。不过事实可能刚好相反。说白了，非洲绝大部分地区，由于气候，光照等条件优越，反而是非常适合容易生产的。而非洲一些地区之所以会出现贫穷与饥饿的情况，真的只是因为他们懒。-caveats
题主承包的是农场，农场肯定也不存在不适合农业生产的问题。而且在非洲在，农业生产的成本，要远远低于国内。并且由于非洲一些地区物资短缺，农产品的价格，反而要好于国内。因此如果从这些方面来看，题主以这个价格，承包这么大一个农场，显然是赚大发了。-caveats
不过值得注意的是，高额利润与回报的背后，往往也会隐藏巨大的风险。说实话，能以这么低的价格，承包到这么大一个农场，且是永久产权，估计这个国家也不怎样。说白了，这个国家可能很穷，且有可能政局动荡。
而如果真的是这种情况，那么我们承包到农场以后，能不能安全地生产与收获，可能就没有保障了。并且这个永久产权也值得商榷。说白了，这样的国家，政权更迭频繁。而这届政府签订的合同，下届政府能不能承认肯定是个问题。-caveats
综上可以看出，以这个价格在非洲购买一个农场，是赔是赚，主要还得看这个国家的政局与经济状况。如果是在国家政局较为稳定、经济状况较好的大国，这个事情明显就赚了。而如果是在一些政局动荡的贫穷小国，搞不好到头来就会是竹篮打水一场空哈。-caveats
