第一章 初识机器学习
Machine Learing：Grewout of work in AI ，Newcapability for computers
机器学习例子：
数据挖掘：
Large datasets from growth of automation/web
E.g.，Web click data，medical records，biology，engineering
不能用手编写的应用程序：
E.g.，Autonomous helicopter，handwritingrecognition，
most of Natural language Processing(NLP)，Computer Vision
个人定制程序：
E.g.，Amazon，Netfilx product recommendations
Understanding human learning(brain，real.AI)
机器学习定义：
Arthur Samuel给出的定义：在没有明确设置的情况下，使计算机具有学习能力的研究领域。
Tom Mitchell给出的定义：计算机程序从经验E中学习解决某一任务T进行某一性能度量P，通过P测定在T上的表现因经验E而提高。
机器学习算法：
监督学习：人教会计算机做某些事情
无监督学习：让计算机自己学习
其他：强化学习，推荐系统
监督学习：
1.房价预测：
根据直线拟合数据，横坐标表示房的大小，纵坐标表示房价。这个问题属于监督问题，每个样本都给出了准确的答案。
同时这也是一个回归问题，对给定值预测实际输出。
2.肿瘤预测：
这里，横坐标表示肿瘤大小，纵坐标表示是否是恶性肿瘤。这也是属于监督学习问题，同时这也是一个分类问题，设法预测离散值的输出，恶性还是良性？
小结：
监督学习的定义：给算法一个数据集，其中包含了每个样本都有正确的答案，在房价预测这个数据集中，每个样本都给出了正确的价格，即房子的卖价。更专业的定义，被称为回归问题，指的是想要预测连续的数值输出；回归：设法预测连续值的属性。肿瘤预测是一个分类问题，分类：设法预测离散值的输出。监督算法的目的是为了给出更多的正确答案。
无监督学习：
可以把这些数据分成两个不同的簇，这也叫作聚类算法。运行一个聚类算法，把不同的个体归入不同的类或归为不同类型的人，这就是无监督学习。聚类算法是无监督学习的一种。
无监督学习或聚类算法的应用：组织大量的计算机集群；社交网络的分析；市场细分中的应用；天文数据的分析。