一、监督学习(Supervised Learning)
监督学习的定义：
给出一组数据集，数据集中每一个样本都有对应的正确的输出值。
上图是监督学习的最简单的例子之一：回归问题(regression problem)
使用一次函数或更高次的函数拟合房屋售价数据，训练数据中每一个样本都包含了该房子真实的售价，学习目标是预测某一面积(图中绿色的250)的房子的售价(图中蓝色的200K dollar)。
在回归问题中，输入数据与输出值都是连续(continual)的。
上图是另一个监督学习的例子：分类问题(classification problem)
在这个例子中，给出一组训练数据，其中每个样本包括肿瘤的大小、这个肿瘤是否是恶性的(该样本所属类别)，使用这组训练数据训练一个学习模型，将某个肿瘤的大小输入到学习模型中，让它输出这个肿瘤是良性的还是恶性的。
在上图中，训练数据也可以这样表示：用不同类型的点(×、○等)代表不同类别的样本
如上图所示，在其他的分类问题中，训练数据往往有多种特征(如图中的病人的年龄、肿瘤大小)
在分类问题中，输出值是离散的，而且输出值可能不只是本例中0、1(良性、恶性)两种取值，往往可能有两个以上的取值。
课后习题：
问题1：目前已有同一种商品的大量库存，预测这种商品在未来三个月中的售出量
问题2：给出若干个个人账户的信息，判断每个账户是否已被入侵。
显然问题1是回归问题，问题2是分类问题。