目录
监督学习（Supervised Learning）：
定义：根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。也就是说，在监督学习中训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。
分类：Regression（回归）、Classfication（分类）
Regression:
回归问题主要针对的是连续型变量
举个吴恩达老师上课的例子
下图给了个不同面积房子的大小的房价，X轴为尺寸，Y轴为房价
通过给出的数据集训练得出一个y=f(x)的函数（蓝线和红线是根据不同算法得出的不同函数）。
以后再估计房价时便可用此函数计算出房价
Classfication
分类问题与回归问题不同，针对的是离散型变量
还是吴恩达老师上课的例子
下图是一个简单的癌症情况的坐标系。
X轴是肿瘤块的大小，Y轴是阴性和阳性（1表示阴性，0是阳性）
算法通过学习，根据肿瘤块大小将分类成两类
当然这里正常情况下需要考虑多种特征
无监督学习（Unsupervised Learning）
定义：我们不知道数据集中数据、特征之间的关系，而是要根据聚类或一定的模型得到数据之间的关系。
例子（一）
（声明两个例子均来自吴恩达老师上课举例）
Google News搜集网上的新闻，并且根据新闻的主题将新闻分成许多簇, 然后将在同一个簇的新闻放在一起。如图中红圈部分都是关于BP Oil Well各种新闻的链接，当打开各个新闻链接的时候，展现的都是关于BP Oil Well的新闻。
例子（二）
如图是DNA数据，对于一组不同的人我们测量他们DNA中对于一个特定基因的表达程度。然后根据测量结果可以用聚类算法将他们分成不同的类型。这就是一种无监督学习, 因为我们只是给定了一些数据，而并不知道哪些是第一种类型的人，哪些是第二种类型的人等等。
监督学习与无监督学习的不同
- 监督学习方法必须有训练集，训练集会给我们什么是“正确答案"。
- 无监督学习没有训练集，只有一堆数据，在数据中寻找规律
- 如何选取方法：简单的方法就是从定义入手，有训练样本则考虑采用监督学习方法；无训练样本，则一定不能用监督学习方法。但是，现实问题中，即使没有训练样本，可以人工地给数据集标注一些样本，并把它们作为训练样本，这样的话，可以把条件改善，用监督学习方法来做。
