概论
什么是机器学习
课程中提供了两种机器学习(Machine Learning)的定义：
- 未经过显式编程，而让计算机拥有了学习的能力。
- 从经验E(experience)学习，改善任务T(task)和性能度量P(performance measure)的程序。
比如说下棋：
E=下很多盘棋的经验
T=下棋的任务
P=接下来一盘棋胜利的可能性
总体来说，机器学习可以分为2类：
- 监督式学习
- 非监督式学习
监督式学习
被我们一个已知的数据集，已经知道正确的输出应该像什么样子，并且知道输入和输出有一个特定的关系，我们称之为监督式学习(Supervised Learning)。
监督式学习问题可以分为“回归”与“分类”问题。
回归问题(regression)
我们试图预测一个连续的输出结果，意味着我们试图将输入参数映射到一些连续性函数中。分类问题(classification)
我们试图预测一个离散的结果，意味着我们试图将输入参数映射到离散的分类中。
例1
给定房地产市场上房子的面积，预测价格。房价是面积的连续函数，所以这是一个回归问题。
如果我们将问题改成这个房子能比标价卖得高还是低，那就变成了分类问题。
例2
(a)回归 - 给定一个人的肖像，预测他的年龄。
(b)分类 - 给定一名病人的肿瘤情况，预测肿瘤是良性还是恶性。
非监督式学习
非监督式学习(Unsupervised learning)让我们可以解决那些我们不知道结果具体是什么样子的问题。我们可以不必知道数据中每个变量的影响，而获取一些结构性的结果。
我们根据数据中变量的关系，来聚类数据。
例如：
聚类算法(Clustering)：收集1千万份不同的基因集合，来找到一个来将这些基因，按照不同的变量，如寿命、地域、角色等，自动按照相似性分组的方式。
非聚类算法(Non-clustering)：鸡尾酒晚会算法，可以在一个吵杂的环境中，从一团乱码的声音中，辨别每个人的声音和音乐。
