机器学习：目前没有统一的定义
现有定义：
1.samuel（1950）: 在没有明确设置的情况下，使计算机具有学习能力。
2.TOM（更新的定义)：计算机程序从经验E(Experience)中学习，解决某一任务T(Task)，进行某一性能度量P(Performance)，通过P测定在T上的表现因经验E而提高
举个例子, 让邮件系统智能的过滤垃圾信息:
T:标定这个邮件是垃圾邮件或者不是(Classfying emails as spam or not a spam)
E: 查看邮件是标定垃圾或不是(Watching you label emails as spam or not spam\)
P: 正确归类的邮件的比例(The number(or fraction) of email correctly classified as spam or not)
机器学习分为：
1. 有监督学习
监督学习是指 我们给算法一个数据集，其中包含了正确答案。也就是说我们给它一个房价数据集，在这个数据集中的每个样本，我们都给出正确的价格即这个房子实际卖价，算法的目的就是给出更多的正确答案.
如房价：给定某地房子大小和房价的数据，根据这些数据，给定一个房子尺寸大小，预测该尺寸对应的房价。
回归问题(regression)：结果是线性的（我们设法预测出一个连续值的结果）
分类问题(classification)：结果是离散的（我们设法预测出一个离散值的结果）
接下来,两道题:
1. 你又很多同一件货物的库存,你想预测你能卖出多少件
2. 你想设计一个软件, 来检查每一个客户的账户,判定这个账户是否被侵入或者安全
结果是, 问题1 是回归问题
问题2 是分类问题
2. 无监督学习
相对于监督学习（给定输入，输出，作为参考），无监督学习不知道输入/输出是什么，只能将数据进行聚类。
聚类和分类的区别：
分类：已知数据的类型，即在没有输入的时候，就知道输出的结果（如：肿瘤良性还是恶性）。
聚类：不知道数据的类型，只给数据一些特征，机器根据特征，将数据分开。