今天開始學習斯坦福大學的CS229課程，不想完全照搬講義，希望能加上自己的理解，新手入門，難免出錯，歡迎指正。

第一節課介紹了機器學習的知識框架，CS229只要講的是機器學習方式中的歸納推理方式，即從足夠多的事例中歸納出具有一般性的結論，然後反過來幫助人們解決與具體事例相關的問題，尤其是之前未見過的具體事例。歸納學習是目前機器學習最主要的手段。

根據輸入資料的特性不同，歸納學習可以分成四大類：監督學習、無監督學習、半監督學習、強化學習。
監督學習：“輸入資料”和“期望輸出資料”是已知的，稱為“標註”資料。任務是找到輸入和輸出的對應關係（function），將“實際輸出資料”和“期望輸出資料”的誤差作為評價當前系統性能的標準。
例子：給出“房屋資訊”和對應的“房屋價格”的訓練資料，預測訓練資料之外的房屋的價格
給出“腫瘤體積”和對應的“是否是惡性”的訓練資料，預測預測訓練資料之外的一個腫瘤是否是惡性

無監督學習：只有輸入資料，沒有期望輸出資料，稱為“未標註資料”。任務是找到輸入資料的分佈規律或者不同部分間的相互聯絡。
例子：對影象分類、識別影象中的物體

半監督學習：監督學習的資料需要有標註，無監督學習的資料不需要有標註，資料量大時，對資料進行標註是一個負擔很重的工作，所以有學者提出了半監督學習。其使用的資料分成兩部分：少量的標註資料和大量的未標註資料。其學習過程是先通過學習標註資料得到一個初步的模型，利用模型確定未標註資料的期望輸出，將其轉變為標註資料，之後通過這部分轉化後的資料在進行學習。(試錯型學習，可能導致錯誤的標註，導致學習結果下降)

強化學習：根據輸入資料得出的輸出，對其進行獎懲，獎懲資訊反饋到模型，模型對此作出調整。強化學習強調累計收益，關注一系列決策的結果，而不是每個孤立點的結果。 強化學習來源於自動控制學科，最早主要用於機器人。
例子：機器人、無人駕駛汽車等