看了《机器学习-斯坦福-Andrew NG-2014》的学习视频，把自己做的笔记分享给大家，多多指教，一起努力^_^
一、定义：目前对机器学习的定义有两种，一是Arthur Samuel提出的通关大量的经验累积，即教给机器学习的能力。
二是Tom Mitchell 提出的在经验E中完成任务T，并给每次完成的结果质量度量为P。
二、方法：目前主流的机器学习方法有两种：
1.监督学习：
（1）定义：教计算机怎么做事情（即编程者知道并给定样本的特征）
（2）经典算法：
a.分类算法：即对给定的样本数据根据特征值，画出一条或多条判断真或假、0或1，或者0、1或2或更多输出值的算法。
b.回归算法：即对给定的样本集，提取出两个或更多的特征值并计算他们之间的函数关系，对于输入的已知的特征值，输出另一个求解的特征 值，类似于f(a,b,c,...) = y。
2.非监督学习：
（1）定义：让计算机自己学习（即编程者自己也不知道样本的特征分别有什么，只是给计算机一堆样本，让计算机自己学习）
（2）经典算法：
a.聚类算法：因为编程者不知道给定的样本集中的数据之间分别有什么特征值，所以输入给机器的就是一堆“一模一样”的原始数据。需要机器自 己去尝试提取样本集中的数据相同点多的地方，然后根据相同点给他们分成一堆一堆的类。
b.鸡尾酒宴会算法：给定的多个样本集中包含相同的、混淆程度不同的信息，需要机器自己学习这些样本中的信息，然后将这些混淆的信息分 别过滤提取出来。（具体问题自己去百度“鸡尾酒宴会问题”啦）
三、编程环境：Octave和Matlab。因为Octave和Matlab对机器学习算法的开发效率比较高，一条代码转换成Python或者Java可能就是几十上百条了。
嗯，今天先学到了这里，夜深，睡觉。最后附上视频、课件和Octave实现的鸡尾酒宴会算法（只需要一条语句就可以实现哦，超神奇的）：[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x');
