从这篇随笔开始是观看斯坦福大学（吴恩达）机器学习课程，个人觉得课程讲的非常棒，也很容易理解，特此总结知识点笔记。笔记如下：
我们应用学习算法，可以在这组数据中画一条直线，或者换句话说，拟合一条直线，根 据这条线我们可以推测出，这套房子可能卖$150, 000，当然这不是唯一的算法。可能还有更 好的，比如我们不用直线拟合这些数据，用二次方程去拟合可能效果会更好。根据二次方程 的曲线，我们可以从这个点推测出，这套房子能卖接近$200, 000。稍后我们将讨论如何选择 学习算法，如何决定用直线还是二次方程来拟合。两个方案中有一个能让你朋友的房子出售 得更合理。这些都是学习算法里面很好的例子。以上就是监督学习的例子。
可以看出，监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案” 组成。在房价的例子中，我们给了一系列房子的数据，我们给定数据集中每个样本的正确价 格，即它们实际的售价然后运用学习算法，算出更多的正确答案。比如你朋友那个新房子的价格。用术语来讲，这叫做回归问题。我们试着推测出一个连续值的结果，即房子的价格。 一般房子的价格会记到美分，所以房价实际上是一系列离散的值，但是我们通常又把房价看 成实数，看成是标量，所以又把它看成一个连续的数值。
回归这个词的意思是，我们在试着推测出这一系列连续值属性。
让我们来看一组数据:这个数据集中，横轴表示肿瘤的大小，纵轴上，我标出 1 和 0 表 示是或者不是恶性肿瘤。我们之前见过的肿瘤，如果是恶性则记为 1 ，不是恶性，或者说良 性记为 0。
我有 5 个良性肿瘤样本，在 1 的位置有 5 个恶性肿瘤样本。现在我们有一个朋友很不幸 检查出乳腺肿瘤。假设说她的肿瘤大概这么大，那么机器学习的问题就在于，你能否估算出肿瘤是恶性的或是良性的概率。用术语来讲，这是一个分类问题。
分类指的是，我们试着推测出离散的输出值:0 或 1 良性或恶性，而事实上在分类问题 中，输出可能不止两个值。比如说可能有三种乳腺癌，所以你希望预测离散输出 0、1、2、 3。0 代表良性，1 表示第一类乳腺癌，2 表示第二类癌症，3 表示第三类，但这也是分类问题。
总结一下，其基本思想是，我们数据集中的每个样 本都有相应的“正确答案”（或者说人工给数据集标记标签），再根据这些样本作出预测，就像房子和肿瘤的例子中做的那样的学习算法叫做监督学习； 还介绍了回归问题，即通过回归来推出一个连续的输出，之后我们介绍了分类问题，其目标是推出一组离散的结果。