什么是机器学习？

rthur Samuel将其描述为：“使计算机在没有明确编程的情况下学习的能力的研究领域。”这是一个古老的、非正式的定义。

　　由Tom Mitchell提出，来自卡内基梅隆大学，Tom定义的机器学习是 这么啰嗦的，一个好的学习问题定义如下，他说， 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。

1.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。

　　在有监督的学习中，我们得到一个数据集，并且已经知道我们正确的输出应该是什么样子，认为输入和输出之间有一个关系。
　　
　　有监督的学习问题分为“回归”和“分类”问题。在回归问题中，我们试图在连续输出中预测结果，这意味着我们正试图将输入变量映射到一些连续函数。在分类问题中，我们试图用离散输出来预测结果。换句话说，我们正试图将输入变量映射成离散的类别。
例1：
　　给定有关房地产市场规模的数据，尝试预测它们的价格。价格作为大小的函数是连续的输出，所以这是一个回归问题。我们可以把这个例子变成一个分类问题，而不是让我们的输出，关于房子是否“卖得比要价多”。
例2：
（a）回归-给定一个人的照片，我们必须根据给定的图片来预测他们的年龄。
（b）分类-考虑到肿瘤患者，我们必须预测肿瘤是恶性的还是良性的。

２.无监督学习

　　
　　无监督学习使我们能够解决问题，很少或根本不知道我们的结果应该是什么样子。我们可以从数据中提取结构，而我们并不知道变量的影响。我们可以根据数据中变量之间的关系对数据进行聚类，从而得出这种结构。无监督学习没有基于预测结果的反馈。

　　通俗的讲，在无监督学习中 我们用的数据会和监督学习里的看起来有些不一样 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