机器学习相关内容介绍，包括有监督、无监督学习，线性回归分类问题等

1、什么是机器学习？
     (1)、Arthur Samuel。他定义机器学习为，在进行特定编程的情况下，给予计算机学习能力的领域。
     (2)、Tom。一个程序被认为能从经验E中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T 时的性能有所提升。
     (3)、作者认为经验e 就是程序上万次的自我练习的经验，而任务t 就是下棋。性能度量值p呢，就是它在与一些新的对手比赛时，赢得比赛的概率。

2、机器学习的算法主要分为有监督学习和无监督学习：
        


     (1)、监督学习：我们将教计算机如何去完成任务，可以看出，监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案”组成。我们给定数据集中每个样本的正确输出，然后运用学习算法，算出更多的正确输出。用术语来讲，这叫做回归问题。我们试着推测出一个连续值的结果。

     (2)、无监督学习中，我们打算让它自己进行学习，已知的数据没有任何标签或者是相同的标签，针对数据集，无监督学习就能判断出数据有两个不同的聚集簇。无监督学习算法可能会把这些数据分成两个不同的簇。所以叫做聚类算法。

3、分类问题：预测出的结果是离散值。目标是预测出连续的输出值
      回归问题：预测出的结果是连续值。目标是预测出一串连续的输出值    

4、处理无限多个特征，甚至怎么存储这些特 征都存在问题，你电脑的内存肯定不够用。 我们以后会讲一个算法，叫支持向量机，里面有 一个巧妙的数学技巧，能让计算机处理无限多个特征。

5、线性回归算法：
  


6、在监督学习中，
     m  代表训练集中实例的数量
     x  代表特征/输入变量，输入的实例个数
     y  代表目标变量/输出变量输出的实例个数
     (x,y)  代表训练集中的实例
     (x(i), y(i))  代表第 i 个观察实例，即第i个样本
     h 代表学习算法的解决方案或函数也称为假设（ hypothesis）

7、监督学习的工作方式：
    


把训练集给习算法，学习算法工作后，输出一个函数，通常表示为小写 h表示。h 代表 hypothesis(假设)，h 表示一个函数，因此h根据输入的 x 值来得出 y 值，y 值。因此，h是一个x 到 y 的函数映射。因为只有一个特征/输入变量，所以这样的变量也叫单线性回归问题：预测y是x的线性函数。