机器学习，模型评估（udacity nanodegree 1-3总结）

机器学习现在太火热了，太多人在学，我也跟风在学，一次偶然机会了解到优达学城，本文作为课程的总结。

1.机器学习

1.1机器学习的定义

维基百科中机器学习有下面几种定义：

• 机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
• 机器学习是对能通过经验自动改进的计算机算法的研究。
• 机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

上面的定义似乎很绕口，如果不了解机器学习的话根本不知道他在说啥，借用一下别人的图，比较搞笑：

当然也能反映出一些问题，机器学习就是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。其中重要的模型就是在别人看来很高大上的数学公式，当然，这些数学公式不需要我们这些菜鸟去发明创造，我们只要能够理解和应用它们。

1.2 机器学习中的术语

数据集：训练机器学习模型所用到的数据，比如一个学校的学生数据（年龄，父亲身高，母亲身高，性别，身高）

特征：数据集中每个学生的某项数据，年龄，性别等。。我们要做的是用前面的特征预测后面的身高

训练集：

验证集：

测试集：

2.模型评估与验证

3.监督学习

4.非监督学习