第一部分 序言
第一节 引言
首先介绍了使用机器学习（Machine Learning）技术的例子，比如网页搜索结果的排布，照片的分类和筛选垃圾邮件等。
接着介绍了机器学习受欢迎的原因，即不止在人工智能领域有用，在其他的许多领域也有很大的作用。在数据挖掘领域，通过网页中大量的点击流去了解用户特征，便于更好服务；对于一些无法手动编写的程序（例如如何控制直升机起飞），可以通过机器学习，让电脑自己学会如何控制；私人订制程序，例如各种短视频app可以根据用户的喜好来推荐不同的视频。
第二节 介绍机器学习
Arthur Samuel （1959）对机器学习的定义：Field of study that gives computers the ability to learn without being explicitly programmed.（在没有明确设置的情况下，使计算机具有学习能力的研究领域）。
Arthur Samuel还编写了一个国际象棋的程序，通过不同布局的尝试和学习，训练出了一个下棋能力超过他本人的程序。
之后Tom Mitchell (1998)又对机器学习下了一个定义：A computer program is said to learn
from experience E with respect to some task T and some performance measure P, if its
performance on T, as measured by P, improves with experience E.（计算机程序从经验E中学习如何解决任务T，并对某一性能P进行度量，可以发现在拥有相关经验E后，性能P有了提升。）
用该定义对应上面下棋的例子，E对应的是不同的布局方法，T对应的是下棋这个任务，P则对应着程序的胜率。
目前存在几种不同的学习算法，最主要的两种为监督学习（Supervised learning）和无监督学习（Unsupervised learning）。
第三节 监督学习（Supervised learning）
首先通过一个例子引入，当告知同地段的一些房子的面积和售价信息，如何预测其他房子的价值。
可以先将数据标记在下图中。
为了预测当面积为750时，房屋的价格，则需要拟合出一条合适的线段（或者曲线，选择直线还是曲线会在之后的课程讨论），线段中的横坐标对应房屋的面积，纵坐标即为价格。
（个人感觉找这个直线，可以采用高中所学的求回归方程的方法）
上图便是监督学习的一个例子，通过一系列离散的值找出一条连续的曲线。
接着举了另一个例子，即肿瘤大小与肿瘤是否为良性的关系，具体如下图所示。
上图展示了肿瘤大小和是否为良性的情况，其中是否为良性可以用0和1来表示，这个例子与上个例子明显的不同是，纵坐标只有0和1，即可以将二维坐标换成一维坐标，用不同的记号表示是否为良性。这个例子的数据也给出了正确答案（即是否为良性），我们则需要通过给出的数据来判断任意大小的肿瘤是否为良性，这实际上就是一个分类问题了。
当然分类问题中，可能不只有肿瘤大小这一个特征，还可能有多个特征等，面对多个特征时，可以采用支持向量机的算法（后期会讲解）。
由上述两个例子可以看出，监督学习主要包括两个问题，回归问题（regression problem）和分类问题（classification problem），回归问题需要通过多个离散信息构成的数据集（训练集）拟合出一个连续的曲线，该曲线可以用于判断其他情况下的结果；分类问题则是通过数据集来判断其他情况下的结果应该属于哪一类。
第四节 无监督学习 （Unsupervised learning）
首先通过以下两幅图片做一个直观的比较
左侧为监督学习的分类问题，右侧为非监督学习，两者最直观的差别为，非监督学习的数据集中没有标明“正确答案”（正确答案即人为给定的分类标准）。虽然没有正确答案，非监督学习可以判断出上图的数据有两个不同的聚集簇，并可以将数据分为不同的簇，这就是聚类算法。聚类算法比较常见的例子便是新闻网站的专题分类，把每天的新闻分成不同类型。当然它还有其他的很多应用，例如基因学中的DNA微观数据，组织大型计算机集群（把适合一起工作的计算机放在一组），社交应用的自动分组，市场客户数据分类等。
当然聚类算法只是无监督学习的一种，鸡尾酒会问题便是另一种。鸡尾酒会问题是指在宴会中有多个人同时说话，如何将每个人的声音单独提取出来。先看一个最小的宴会情况，即只有两人在说话，如下图所示。
如何分离出二者的声音，老师给出了一个简单的算法，代码如下
[W,s,v] = svd((repmat(sum(x.*x,1),size(1).*x)*x');
//svd 奇异值分解函数这个也说明了选择正确的编程软件（比如上文中采用的Octave软件），可以使你的程序更加简洁。
