【Machine Learning】1.机器学习简介

本文是参考Andrew Ng在coursera慕课网上的Machine Learning课程，小弟刚开始接触机器学习，如有疏漏之处恳请指出，谢谢。

机器学习定义：

Arthur Samuel（比较老的定义）：

the field of study that gives computers the ability to learn without being explicitly programmed.

Tom Mitchell（现代的定义）：

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

机器学习可以大致分成监督性学习和非监督性学习。

监督性学习：

顾名思义，监督意味着有个一个老师（监督者），来指导机器学习。对于给出的训练集，我们通常都是已经知道结果应该是正确还是错误。比方说在训练阶段，对于输入集合X，会伴随结果集合Y，这个集合Y就可以看成是监督者。

监督性学习问题又可以大致分为两类：回归问题（regression）和分类问题（classification）。在研究回归问题的时候，我们会尽可能的在一个连续的输出上预测结果，这意味着我们将会把输入的变量映射到一个连续函数的输出上。而在研究分类问题时，我们会把输入变量映射到离散的类别去。

例如：

对给定的房屋尺寸的数据，预测他们的价格。价格是一个关于房屋尺寸的连续输出，因此这是个回归问题。

如果是考虑房子是否卖得比它们应有的价值高或低的问题，则我们将房屋价格和尺寸映射到了高或低这两个离散的类别上，因此是分类问题。

非监督性学习：

与监督性学习不同，非监督性学习的训练集里并不包含Y集合，也即没有事先告诉结果集合应该要是怎么样的。我们可以通过聚合（clustering）的方式，从数据集合中提取出隐含在它们之间的输入变量的关系。非监督性学习除了聚合以外，还包含联系（Associative）等等。

例如：

聚合：在US Economy上取出1000篇文章，找到一种自动将这些文章以某种关系（比如文字频率、句子长度等）分类的方法。

本文参考：英文原文：https://share.coursera.org/wiki/index.php/ML:Introduction