机器学习简述

笔者刚刚开始研究生学习新阶段，在师兄师姐的建议下，从吴恩达老师的机器学习课程开始起步，如有不足缺陷之处，欢迎大家指正。

首先是机器学习的定义，一个适当的学习问题定义如下，计算机程序从敬仰E中学习，为了解决某一任务T，进行了某一性能度量P，通过P的测定在T上的表现因经验E的提高。

主要分为监督学习和无监督学习两个部分。

监督学习，数据集的正确答案已经给出，利用数据的特征或者属性，进行预测或者拟合出最后的结果，这类的的特征数可以是有限个，也可以是无限个。

回归函数的拟合，一般是连续值的预测分析，结合已给出的数据特征，针对函数在某一区间上进行拟合，如房价的数据预测拟合。

分类学习，离散的固定的答案，两个结果或者多个结果进行分析，有限个结果从中选择一个给出，需要对于数据的特征提取更为准确，如判断是否患病分析。

无监督学习，顾名思义，指的是数据集中没有答案标签用于过程参考改进，因此需要对于学习过程进行改进。

聚类算法，利用分簇的思想进行划分结果，如新闻推荐算法与不同人DNA进行基因检测分类。

鸡尾酒会问题，通过对比不同数据来源中，发现差异性来分辨不同人的声音。