1、何谓机器学习

##一： 何为机器学习
定义一 :

Field of study that gives computers the ability to learn without being explicitly programmed
在进行特定编程的情况下，给予计算机学习能力的领域

定义二

A computer program is said to learn from experience E with respect to some task T and some performance measure P,if its performance on T, as measured by P, improves with experience E
一个程序被认为能够从经验E中学习，解放任务T，达到性能度量值P，当且仅当，有了经验E后，经过了P的评判，程序在处理T时的性能有所提升。

1.1:人工智能&机器学习&深度学习

简单的来说，机器学习就是把无序的数据转换成有用的信息机器学习横跨多个领域，可以这样说，机器学习对于任何需要解释并操作数据的领域都大有裨益。

二：监督学习

监督学习 特点是训练集中，对于数据集中的每个数据都有正确的答案。监督学习一般分为 回归（Regression）和分类（Classification）

2.1:回归问题

我们想通过给定的一个房子的面积来预测这个房子在市场中的价格. 这里的房子的面积就是特征, 房子的价格就是一个输出值. 为了解决这个问题, 我们获取了大量的房地产数据, 每一条数据都包含房子的面积及其对应价格. 第一, 我们的数据不仅包含房屋的面积, 还包含其对应的价格, 而我们的目标就是通过面积预测房价. 所以这应该是一个监督学习; 其次, 我们的输出数据房价可以看做是连续的值, 所以这个问题是一个回归问题.

以下为回归的案例，横坐标为房子面积，纵坐标为房屋价格。这样从训练数据我们可以模拟出一个曲线。这样我们便可以用房子面积来预测价格。

2.1:分类问题

我们再来看一个分类问题, 从名字上来讲, 分类问题还是比较好理解的, 我们的目标应该是要对数据进行分类. 现在我们的数据是有关乳腺癌的医学数据, 它包含了肿瘤的大小以及该肿瘤是良性的还是恶性的. 我们的目标是给定一个肿瘤的大小来预测它是良性还是恶性. 我们可以用0代表良性，1代表恶性. 这就是一个分类问题, 因为我们要预测的是一个离散值. 当然, 在这个例子中, 我们的离散值可以去’良性’或者’恶性’. 在其他分类问题中, 离散值可能会大于两个.例如在该例子中可以有{0,1,2,3}四种输出，分别对应{良性, 第一类肿瘤, 第二类肿瘤, 第三类肿瘤}

下图，横坐标为肿瘤的大小，纵坐标表示肿瘤为良性或者恶性，由图可以看出来，我们的输出结果是离散的，并且输出结果种类有限，且实现定义好含义。

三：非监督学习

在非监督学习中，我们的数据并没有给出特定的标签，我们的目标也从预测某个值或者分类变成了寻找数据集中特殊的或者对我们来说有价值结构。以下两个图可以清楚看出监督学习和非监督学习的区别

左边为监督学习，可以看到数据点分类圆圈和× 说明是有标签值得 这样可以进行分类，而右边的为非监督学习，我们要让数据自己学习然后分成两个簇，将数据集分成不同簇的无监督学习算法又称为聚类算法。

##四：一些别的概念

• 训练集： 是用来训练机器学习算法的数据样本集合， 表1-1是包含6个训练样本的训练集
• 特征/属性：特征或属性通常是训练样本集的列，它们是独立测量得到的结果，多个特征联系在一起共同组成一个训练集
• 目标变量：目标变量是机器学习算法的预测结果，在分类算法中目标变量通常是标称型，而在回归算法中通常是连续型。
• 训练数据：当机器学习程序开始运行时，使用训练数据作为输入，是指数据挖掘过程中用于训练数据挖掘模型的数据
• 测试数据：训练完成后，输入测试数据这时并不提供样本的目标变量，比较测试样本的预测目标值与实际样本值的差别。

##五： python代码初识

 # 导入NumPy函数库
from numpy import *

# 构建一个4*4 的随机数组
print(random.rand(4,4))

#调用mat()函数可以将数组转化为矩阵
ranMt = mat(random.rand(4,4))
print(ranMt)

# 求一个矩阵的逆矩阵
print(ranMt.I)

# 矩阵乘以他的逆矩阵 等于单位矩阵 但是不会等于1 因为计算机会产生误差
print(ranMt.I * ranMt)

# 为了求出误差值 我们可以建一个单位矩阵 然后相减
myEye = ranMt * ranMt.I
print(myEye-eye(4))
... prompt'''