机器学习定义
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。
监督学习
监督学习，意指给出一个算法，其中需要部分数据集已经有正确答案。
1.监督学习--回归问题
在监督学习中有一种要预测一个连续值的输出问题，比如预测房价，如下图所示：
给定房价数据集，对于里面每个占地面积，算法都知道对应的正确房价，然后根据这些已知正确答案的数据集，计算出很多未知价格但知道面积的房子的房价，这类监督学习的问题可以称作回归问题，也可以说回归问题属于监督学习中的一种。
2.监督学习之-分类问题
2.1 单特征分类问题 假设在数据集中，横轴表示肿瘤的大小， 纵轴用0或1来表示肿瘤是良性的还是恶性的，如下图。这里对应的机器学习问题就是，根据肿瘤（Tumor）的大小，你能否估算出一个概率，即肿瘤为恶性或者良性的概率。其实结果就只有0，1两种结果，这类问题可以称为分类问题。 所谓分类问题，其实就是要预测一个离散值输出，结果可能不止两种。
2.2 多特征分类问题 比如在上例中，只是根据肿瘤的大小来预测结果，但是在其它机器学习问题里， 往往有着不只一个的特征和属性。 例如，不仅肿瘤大小对结果有影响，病人的年龄也是其中的因素， 如下图所示，图中恶性肿瘤用叉来表示；良性肿瘤用圈来表示。
其实在许多问题中，用到的不只是三五个特征，经常要用到无数多个特征，非常多的属性。所以，你的学习算法要利用很多的属性或特征、线索来进行预测。
3. 在监督学习中，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。
总结：监督学习问题可以被归类为回归和分类问题。在回归问题中我们试图预测连续输出中的结果，即将输入变量映射到某个连续函数。在分类问题中，我们试图预测离散输出的结果，即试图将输入变量映射到离散类别。
无监督学习
- 在无监督学习中，没有属性或标签这一概念 即所有的数据都是一样的，没有区别。
- 无监督学习也即聚类问题，就是对于给定的数据集，且这些数据事先并没有给出确定的答案，而将其中的数据分成不同的聚类。
- 无监督学习的应用: 3.1 用来组织大型的计算机集群 3.2 用于社交网络的分析 3.3 用于市场分割 3.4 用于天文数据分析
- 无监督学习可以使我们不用或者很少知道结果如何，可以通过基于数据中变量之间的关系对数据进行聚类来推导出结构。
