一、What is Machine Learning

自己剛剛考完研，看來看去不知道學什麼看什麼，刷微博看到現在發展正好的機器學習、深度學習等，於是鼓起信心和好奇心開始嘗試學習一下機器學習的相關入門知識。接著便開始找資料，這裡開始學習Stanford大學Andrew Ng老師的機器學習課程。

機器學習其實存在於我們生活的很多方面，比如現在移動裝置上相簿的自動分類功能等，

比如：

機器學習是研究計算機怎麼樣通過模擬人類的學習行為和活動模式，來獲取新的知識和能力，從而重新組織現有的知識結構使之效能不斷的優化。

下面是關於機器學習兩個相關的定義：

我們看一下Tom Mitchell給出的定義：他說一個程式被認為能從經驗 習E中學習i，來解決任務T，達到效能度量值P，當且僅當有了經驗E之後，經過P評判，程式在處理T的效能有所提升。

機器學習的分類如下：

主要分為有監督的學習和無監督的學習，此外還有例如加強學習、推介系統等相關的機器學習方面的概念。

二、Supervised Learning

所謂有監督的學習簡單的就是教給計算機如何學習、如何完成一些任務，而對應的無監督的學習就是讓計算機自己學習。

為了直觀，這裡用一個實際的例子來看：

座標圖的橫座標是房屋大小，縱座標是房屋的價格，圖中的點就是所蒐集的相關的資料，那麼如果現在我們要出售750平米的房子時，我們如何根據現有的資料來預測一個合適的價格，就是我們急需解決的問題。

也就是說我們如何直觀的畫一條線，可能是曲線，也可能是直線，來更好的擬合現有的資料。當我們畫一條直線時，得到的價格接近150，而當我們畫曲線時，發現擬合效果更好，這時預測價格接近200。因此如何選擇擬合的線，便是我們學習的一個任務。

那麼有監督的學習就是給我們的學習演算法一個有很多“正確結果”組成的資料集，通過學習來獲取更多的正確答案。術語講叫回歸問題：就是試著推測出一個連續的結果。

再看一個例子。它是通過腫瘤的大小來判斷腫瘤是良性的還是惡性的，

如圖所示，橫座標表示腫瘤的大小，縱座標表示是否為良性，1表示良性，0表示惡性。圖中給出了十個真實資料，並且說明了腫瘤的情況，那麼當我們有一個數據顯示大小是如箭頭所指時，我們就可以估算出是否是惡性的概率。當然我們也可以有不同那個的分類標準，用不同的數字表示不同的型別。

當影響因素多於一個時，我們也可以用另外一種方式描繪資料，如下所示：

這裡加了一個屬性：年齡，在這個二維圖中，當我們的資料既包括腫瘤大小也含患者的年齡時，我們也可以根據現有的資料判斷患病的概率，此外還可以包含細胞的形狀、大小等等的不同特徵的資料來豐富資料集，使得預測結果更加的接近真實情況。

因此我們可以知道，有監督的學習基本思想就是，我們的資料集中的每個樣本都有相應的“正確答案“，我們再根據這些樣本做出預測。此外還提到了迴歸問題，即通過迴歸推出一個連續的輸出。

三、Unsupervised Learning

下面我們來通過對比來看下無監督的學習，

上面是有監督學習的一個例子，在第一副圖中我們已經標出了是良性還是惡性，所以對於監督學習裡的每條資料，我們已經清楚的知道訓練集所對應的正確答案。

而下面的無監督的學習的例子的資料集中，僅有8個數據，他們沒有任何的標籤或者說是沒有相同的標籤，我們得到的就是一個數據集，沒有告知每個資料點是什麼，不知道如何處理，我們要做的就是從這些資料集中找出某種結構。而無監督的學習就可以將其分為兩類，這是一個，那是另一個，二者不同，這也叫做聚類。

此外比如在新聞行業、基因行業等，無監督學習也有廣泛的應用。