1.1机器学习在20世纪下半叶演变为人工智能（AI）的一个分支，它涉及从数据中通过自我学习获得算法以进行预测。
1.2三种类型的机器学习：
有监督，无监督，强化
1.2.1用有监督学习预测
有监督学习：从有标签的训练数据中学习模型，以便对未知或未来的数据做出预测。“监督”一词指的是已经知道样本所需要的输出信号或标签。总之，有监督学习以带标签的训练数据训练模型，进一步将新数据加上标签。
带有离散分类标签的有监督学习——分类任务。
结果是连续的值——回归
分类是有监督学习的一个分支，根据已知的观测结果来观测新的样本分类标签。这些分类标签是离散的无序值。
回归分析是对连续结果的预测。回归分析包括一些预测变量和一个连续响应变量，试图寻找能够预测结果与变量之间的关系，比如在一个二维坐标系中，预测变量x，相应变量y，对出现的数据进行拟合（谋求样本点和拟合线平均距离最小）。
1.2.2用强化学习解决交互问题
强化学习的目标是开发系统或代理，通过它们与环境的交互来提高预测性能 在本书强化学习不是重点
1.2.3用无监督学习发现隐藏结构
在有监督学习中，事先知道正确的答案；在强化学习中，定义了代理对特定动作的奖励，然而无监督学习处理的是无标签的未知数据。用无监督学习技术，可以在没有已知结果变量或奖励函数的指导下，探索数据结构以提取有用信息。
1.2.3.1寻找聚类的子集
聚类是探索性的数据分析技术，可以在事先不了解组员的情况下，将信息分成有意义的族群。为在分析过程中出现的每个群定义一组对象，它们之间都有一定的相似性，但与其他群中对象的差异更大。
1.2.3.2通过降维压缩数据
无监督降维是特征处理中数据去噪的一种常用方法，它也降低了某些算法对预测性能的要求，在保留大部分信息的同时将数据压缩到较小的维数空间上。
1.3相关约定
用矩阵表示数据集时，每一行代表一个样本，每一列代表一个特征。 一个150*4的矩阵代表了150个样本，每个样本有4个标签
1.4构建机器学习系统的路线图
