前言
提示：以下是本篇文章正文内容
一、机器学习定义
Arthur Samuel：
在进行特定编程的情况下，给予计算机学习能力的领域
Tom Mitchell：
一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值
P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升
eg：假设您的电子邮件程序会观察收到的邮件是否被你标记为垃圾邮件。 在这种 Email 客户端中， 你点击“垃圾邮件”按钮，报告某些 Email 为垃圾邮件，不会影响别的邮件。基于被标记为垃圾的邮件，您的电子邮件程序能更好地学习如何过滤垃圾邮件。请问，在这个设定中，任务 T，E, P 是什么？
答案显然，任务T是分类邮件，是否为垃圾邮件;E: 观察你是否将邮件标记为垃圾邮件; P：正确归类邮件的比例。
机器学习主要分为：
(1)督促学习：线性回归，决策树
(2)无督促学习：聚类
(3)其他：强化xuex
二、督促学习
先给出定义，后面做解释，监督学习：指给学习算法一个数据集，这个数据集由“正确答案”组成，监督学习的特点：学习数据是有标注的
eg：经房价预测案例，它的数据集中数据样本不仅给出了各自的属性(特征）值，还给出了具体的房价大小，房价的数值就是所谓的标注，也就是需要预测的属性，模型从带有标注的数据中学习，随后对新的数据预测其标值。如下图所示是房价预测的一个示例
红色的×表示已知的一组带有标注的数据，要从这些数据中学习得一种模型，使得后续预测的值比较真实，如红色和蓝色的线，当房屋面积为750,可以预测其房价。
我们应用学习算法，可以在这组数据拟合一条直线，根据这条线我们可以推测出，这套房子可能卖$150，当然这不是唯一的算法; 我们也可以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。
但是那个学习算法好一些呢? 后面会解答
前面说了，监督学习指的就是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，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
房价预测是一个回归问题，就是预测值是连续值，此处房价是一个连续值，所以是一个回归问题。
若预测值是离散的，则被称为分类问题，如上述提到的邮件分类，预测值只有垃圾邮件和正常邮件两个值
eg: 通过查看病历来推测乳腺癌良性与否
在数据集中，横轴表示肿瘤的大小，纵轴上，1:恶性肿瘤 和,0 :不是恶性肿瘤；
现在有5个良性肿瘤样本，在 1 的位置有 5 个恶性肿瘤样本，假设某个人检查出乳腺肿瘤，并且它的肿瘤的大小如红色箭头所指处，那么机器学习的问题就在于：能否估算出肿瘤是恶性的或是良性的概率。这是一个分类问题，因为推测出是离散的输出值： 0 或 1 良性或恶性
往往是通过多个属性或者特征进行学习，还可能通过细胞尺寸均匀度、细胞形状均匀度、患者年龄等许多属性来进行学习，即使有无限多种特征都可以处理
如图，总共 5 种不同的特征，坐标轴上的两种和右边的 3 种
小结：
(1)监督学习，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”，然后根据这些样本作出预测， 就像房价和肿瘤的例子中做的那样
(2）回归问题，即通过回归来推出一个连续的输出；分类问题，其目标是推出一组离散的结果
三、无监督学习
对于监督学习来说，数据集中每条数据都已经标明是阴性或阳性，即是良性或恶性肿瘤。所以，对于监督学习里的每条数据，我们已经清楚地知道，训练集对应的正确答案，是良性或恶性
在无监督学习中，已知的数据，但是不同于监督学习的数据集，即无监督学习中没有任何的标签或者是有相同的标签，所以我们已知数据集，却不知如何处理，也未告知每个数据点是什么，别的都不知道，就是一个数据集
能从数据中找到某种结构吗？针对数据集，无监督学习就能判断出数据有两个不同的聚集簇。这是一个，那是另一个，二者不同。无监督学习算法可能会把这些数据分成两个不同的簇。所以叫做聚类算法
eg1：在谷歌新闻中，谷歌新闻每天都在收集非常多的网络的新闻内容，
它再将这些新闻分组，组成有关联的新闻。谷歌新闻做的就是搜索非常多的新闻事件，自动地把它们聚类到一起。这些新闻事件全是同一主题的，会显示到一起
eg2: 在基因学，一个 DNA 微观数据，输入一组不同个体，对其中的每个个体，分析出它们是否有一个特定的基因
要分析多少特定基因已经表达，这些颜色展示了相应的程度，即不
同的个体是否有着一个特定的基因。我们能做的就是运行一个聚类算法，把个体聚类到不同的类或不同类型的组
因为我们没有提前告知算法一些信息，比如，这是第一类的人，那些是第二类的人，还有第三类…我们只知道有一堆数据，不知道数据里面有什么，也不知道谁是什么类型，甚至不知道人们有哪些不同的类型，这些类
型又是什么
但能自动地找到数据中的结构吗？就是说你要自动地聚类那些个体到各个类，我没法提前知道哪些是哪些，因为我们没有给算法正确答案来回应数据集中的数据，所以这就是无监督学习
eg3: 鸡尾酒算法
在一个只有两个人的鸡尾酒宴中，他俩同时都在说话，放两个麦克风在房间中，因为这些麦克风在两个地方，离说话人的距离不同每个麦克风记录下不同的声音，虽然是同样的两个说话人。听起来像是两份录音被叠加到一起，或是被归结到一起，产生了我们现在的这些录音。该算法会区分出两个音频资源，并可以合成或合并成之前的录音
算法实现：
[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x’);
总结
提示：这里对文章进行总结：