一、 What is Machine Learning?
提供了两种定义
- Arthur Samuel 定义的比较随意，也是老一点的版本：
"the field of study that gives computers the ability to learn without being explicitly programmed."（使计算机能够在没有明确编程的情况下学习的研究领域） - Tom Mitchell提供了一个比较新的定义：
"A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E."（一个计算机程序，从经验E中学习关于某一类任务T和性能度量P的知识，如果它在T中的性能，如P所度量的那样，随着经验E的提高而提高。）
Example: playing checkers. 例如：下棋
E = the experience of playing many games of checkers E=下了很多棋的经验
T = the task of playing checkers. T=下棋的任务
P = the probability that the program will win the next game. P=程序能够赢下一盘棋的可能性
二、机器学习主要类型——监督学习、无监督学习
一般来说，任何机器学习问题都可以分为两大类：监督学习和无监督学习。
（一）监督学习（Supervised Learning）
1. 定义
术语监督学习，意指给出一个算法， 需要部分数据集已经有正确答案：比如给定房价数据集， 对于里面每个数据，算法都知道对应的正确房价， 即这房子实际卖出的价格，然后基于已有数据，对房子价格进行预测。
用更术语的方式来定义：回归问题属于监督中的一种，意指要预测一个连续值的输出，比如房价；分类问题指预测一个离散值的输出。
2. 解释
在分类问题中，有时会有超过两个的值， 输出的值可能超过两种。
举个具体例子， 胸部肿瘤可能有三种类型，所以要预测离散值0，1，2，3 0就是良性肿瘤，没有癌症。 1 表示1号癌症，假设总共有三种癌症。 2 是2号癌症，3 就是3号癌症。 这同样是个分类问题，因为它的输出的离散值集合 分别对应于无癌，1号，2号，3号癌症 。这里只使用了一个特征属性，即肿瘤块大小， 来预测肿瘤是恶性良性。在其它机器学习问题里， 有着不只一个的特征和属性。
那么，你如何处理 无限多特征呢？甚至你如何存储无数的东西 进电脑里，又要避免内存不足？ 事实上，等我们介绍一种叫支持向量机(SVM)的算法时， 就知道存在一个简洁的数学方法，能让电脑处理无限多的特征。
3. 总结
监督学习基本思想是：监督学习中，对于数据集中的每个数据， 都有相应的正确答案，（训练集） 算法就是基于这些来做出预测。就像那个房价， 或肿瘤的性质。
回归问题，即通过回归来预测一个连续值输出。
分类问题， 目标是预测离散值输出。
4.例（自测）
下面是个小测验题目：
假设你有家公司，希望研究相应的学习算法去 解决两个问题。第一个问题，你有一堆货物的清单。 假设一些货物有几千件可卖， 你想预测出，你能在未来三个月卖出多少货物。 第二个问题，你有很多用户， 你打算写程序来检查每个用户的帐目。 对每个用户的帐目， 判断这个帐目是否被黑过（hacked or compromised）。 请问，这两个问题是分类问题，还是回归问题？
答案：问题1是个回归问题 ； 问题2则是分类问题
（二）无监督学习（Unsupervised Learning）
1. 引子
在上一节中学了监督学习，其中数据集 每个样本 都已经被标明为：正样本或者负样本，即良性或恶性肿瘤。 即：对于监督学习中的每一个样本，我们已经被清楚地告知了 什么是所谓的正确答案。而在无监督学习中，没有属性或标签这一概念，也就是说所有的数据都是一样的，没有区别。
所以在无监督学习中，我们只有一个数据集，没人告诉我们该怎么做，我们也不知道每个数据点究竟是什么意思。它只告诉我们现在有一个数据集，而你能在其中找到某种结构吗？
对于给定的数据集，无监督学习算法可能会判定该数据集包含几个不同的聚类，这就是所谓的聚类算法 ，它被用在许多地方。
2. 例子
google的新闻（一类新闻会出现在一起）：谷歌新闻所做的就是搜索成千上万条新闻 ，然后自动的将他们聚合在一起。因此，有关同一主题的新闻被显示在一起。聚类算法和无监督学习算法也可以被用于许多其他的问题。
基因组学中的应用：
关于基因芯片的例子，其基本的思想是：给定一组不同的个体，对于每个个体，检测它们是否拥有某个特定的基因。也就是说，你要去分析有多少基因显现出来了。 这些颜色“红，绿 ，灰” 等等，它们展示了这些不同的个体是否拥有一个特定基因的不同程度。而我们能做的，就是运行一个**聚类算法**， 把不同的个体归入不同的类，或归为不同类型的人。
3.定义
以上就是无监督学习：我们没有提前告知这个算法相关的分类， 相反我们只是告诉算法，这儿有一堆数据，我不知道这个数据是什么东东，我不知道里面都有些什么类型，叫什么名字，我甚至不知道都有哪些类型，请问你可以自动的找到这些数据中的类型吗？ 然后自动的按得到的类型把这些个体分类（虽然事先我并不知道哪些类型）。
因为对于这些数据样本来说，我们**没有给算法一个 正确答案 **，所以这就是无监督学习。
4.聚类算法的应用
聚类只是无监督学习的一种
1）组织大型的计算机集群（计算机协同归类）：管理大型数据中心 ，也就是 大型计算机集群。试图 找出哪些机器趋向于“协同工作”， 如果你把这些机器放在一起，你就可以让你的数据中心更高效地工作。
2）用于社交网络的分析（朋友分类）：如果可以得知 哪些朋友你用email联系的最多，或者知道你的Facebook好友，或者你Google+里的朋友。知道了这些之后，我们是否可以自动识别，哪些是很要好的朋友组，哪些仅仅是互相认识的朋友组。
3）市场分割中的应用：对于庞大的客户信息数据库，给出一个客户数据集，能否自动找出不同的市场分割，并自动将你的客户分到不同的 细分市场中，从而有助于在 不同的细分市场中 进行更有效的销售。
4）天文数据分析 。通过这些聚类算法 我们发现了许多 惊人的、有趣的 以及实用的 关于星系是如何诞生的理论 所有这些都是聚类算法的例子 。
5. 鸡尾酒宴问题
宴会上只有两个人，两个人 同时说话。我们准备好了两个麦克风 ，把它们放在房间里。两个麦克风距离这两个人 的距离是不同的，每个麦克风都记录下了来自两个人的声音的不同组合。运用算法对两个声音进行分离。
6. 介绍Octave的编程环境
Octave是一个免费的 开放源码的软件。使用Octave或Matlab这类的工具 许多学习算法，都可以用几行代码就可以实现。
在硅谷 很多的机器学习算法，我们都是先用Octave 写一个程序原型，因为在Octave中实现这些学习算法的速度快得让你无法想象。在这里 每一个函数，例如 SVD （意思是奇异值分解） 但这其实是解线性方程 的一个惯例，它被内置在Octave软件中了。
你可以在C++或 Java或Python中 实现这个算法 ，只是会 更加复杂而已；而如果你使用Octave的话 会学的更快 ，并且如果你用 Octave作为你的学习工具 和开发原型的工具 ，你的学习和开发过程 会变得更快。
而事实上在硅谷 ，很多人会这样做 ：他们会先用Octave 来实现这样一个学习算法原型 ，只有在确定 这个算法可以工作后 才开始迁移到 C++ Java或其它编译环境 。事实证明 这样做 实现的算法 比你一开始就用C++ 实现的算法要快多了7.例（自测）
问题：无监督学习 它是一种学习机制。你给算法大量的数据 ，要求它找出数据中 蕴含的类型结构。以下的四个例子中 ，哪一个 您认为是 无监督学习算法 而不是监督学习问题 。
