斯坦福大学机器学习课程学习总结

第一讲：机器学习的基本概念的研究内容

主讲人：Andrew Ng

      硕士期间一直在接触机器学习的相关算法，都是用到什么就开始学什么，缺乏系统地学习。最近，越来越感觉机器学习这门课程的重要性，所以就下定决心要系统地，深入地学习一下机器学习以及深度学习方面的知识。

        第一讲主要是涉及一些基本概念，很好理解，但是Andrew介绍的一些有关机器学习的概念还是很值得我们去思考的。以前也接触和用过很多机器学习的算法，像支撑向量机（SVM）、神经网络以及决策树等，但是脑子里对机器学习并没有一个很完整和很清晰的定义。今天的课程提到机器学习的定义：

        Arthur Samuel对机器学习不正式地定义为：机器学习是在不直接针对问题进行编程的情况下，赋予计算机学习能力的一个研究领域。
        Tom Mitchell对机器学习的正式定义：对于计算机程序来说，给它一个任务T和一个性能测量方法P，如果在经验E的影响下，P对T的测量结果得到了改进，那么就说程序从E中进行了学习。

       其实上述的两种定义都很好地说明了机器学习，包括内容和定义。机器学习实际上就是让机器像人一样能够具备一些学习能力，从而运用它的优势（快速计算）来解决现实生活中遇到的复杂问题。
       此外，Andrew重点提到的还有Supervised Learning（监督学习）和Unsupervised Learning（无监督学习）的内容和区别。其实，这两者可以根据训练样本进行区分，监督学习（回归和分类）的训练样本是带有标签的；相反，无监督学习（聚类）的训练样本是无标签的。