什么是机器学习?
什么是机器学习，目前并没有明确的学术定义，一般有两个比较认可的定义：
1: 人工智能领域的先驱 Arthur Samuel ：一种在没有明确的编程下，使计算机具有学习的能力。
2：另一位计算机人工智能领域的科学家 Tom Mitchell 做出了更为学术的解释：机器学习程序，能够通过历史的经验(E)，分析预测出特定任务(T)的未来值，并且提供对这个预测值的准确率(P)。这种定义强调了三点 E T P:
历史数据(经验) E : Experience 目标任务 T: Task 正确率 P : Probability
比如，通过机器学习对某城市的房价进行预测，那么有大基本模型：
E: 过去几年的房价数据，数据划分的维度没有限制，可以是房屋面积，地理位置，小区环境等都可以作为 E. T: 预测来年的房屋价格。 P: 房价预测准确的概率。
一般来讲，任何一个机器学习问题，都可以分为两类：
1：有监督学习 (supervised learning) 2：无监督学习 (unsupervised learning)
有监督学习
总体来说，有监督学习，有两个特点，有确定的数据集合作为输入，对于输出，我们已经有了明确的预期来对结果进行评判。有监督学习又可以分为两类：
回归 (regression) 分类 (classification)
对于回归问题，预测的结果是相对于连续的输出，意味着函数图形逼近连续的曲线(例如，假设房价的走势图逼近 y = kx + b)；而分类问题，预测的结果只有几种离散的值 (明天会不会下雨，答案只有两种：会 / 不会)。
例如：
回归问题：通过某人的自拍照，预测他的年龄，年龄区间可以是 1-100 或更多，也可以是 50.5 岁等，总之结果可以是一个近似的连续函数。 分类问题：对病人的肿瘤进行分析，得出是良性的(benign)还是恶性的(malignant)。结果只有这两种可能。
无监督学习
对比有监督学习，无监督学习最大的特点，就是对于结果，没有明确的预期。另外输入的数据集也没有明确的来源和要求。机器学习算法能自己通过数据源的结构，或者数据之间的关系自动分簇。我们只需要结果，并不对结果做出任何反馈(比如判断正误)。无监督学习也可分为集群(clustering) 和 非集群(non-clustering) ，但大部分情况无需严格区分这两种问题。
例如：
集群：收集1000000个不同的基因，并找到一种方法来自动将这些基因分组，可以按照基因在某种程度上相似度分组，如寿命、位置、角色等。具体用哪个标准划分，完全有机器学习算法根据数据的结构划分，划分的结果种类中，很有可能是我们以前没见过的。非集群：“鸡尾酒会算法”允许你在混乱的环境中找到结构。在鸡尾酒会上从一系列声音中识别出个人的声音和音乐。
机器学习的基本模型表示
下图表示了一个机器学习模型的数据处理过程：
为了方便理解，这里还以预测房价举例， 1：输入训练的数据 上边的数据称为
Training Set，将这些数据交给机器学习算法，进行训练。
2：训练的目的是为了得到一个假设函数 h(x) (hypothesis)，假设采用线性回归进行训练，训练的结果是:
x1 表示的就是数据集中的 x1，即房屋面积，x2 和 x3 以此类推。其实算法真正要得到的是 h(x) 函数的系数，即 (500, 2, 10, 101, -73)，当然这里只是举例。
3: 有了
h(x)，只需要给定一个的 X 值，就可以预测出一个结果，这个结果就是预测的房屋价格。这里的 X 表示的是向量或者 1*4 矩阵 [x1, x2, x3, x4]。个人觉得，机器学习是个很有趣味的领域，在这里，以前学习的
微积分和线性代数和概率论会得到充分的利用。比如线性回归算法中，用到的函数的梯度、偏导数、矩阵运算等。下一节将围绕线性回归展开记录。