廣州的天氣總是陰晴不定，經常上午陽光燦爛，下午突然烏雲密布，狂風亂作，然後就是傾盆大雨。每次看見烏雲和大風，人們就知道要下大雨了。為什麼我們看見烏雲感受到大風，就知道要下雨了呢？我們能做出這些有效的預判，是因為我們已經積累了許多經驗，而通過對經驗的利用，就能對新情況做出有效**。那麼，這樣利用經驗做出判斷的工作，計算機能夠實現嗎？
機器學習正是這樣一門學科，計算機中，經驗通常以資料的形式存在，機器學習所研究的內容，是關於在計算機上從資料中產生模型的演算法，也就是學習演算法（名詞）。我們把經驗資料提供給學習演算法，它就能根據這些資料產生模型，在面對新的情況時，模型會給我們提供相應的判斷。
基本術語（以判斷天氣情況為例）：
資料集：一組記錄合集，乙個記錄為乙個樣本。
樣本：資料集中的一條記錄。是對乙個事件或物件的描述。如：（颳風 = 是； 溫度 = 25； 濕度 = 99）
屬性或特徵：反映事件或物件在某方面的表現或性質。如：颳風、溫度、濕度。
屬性值：屬性的取值。
樣本空間：如果我們把上述三個屬性作為三個座標軸，則他們形成乙個用於描述天氣的三維空間，每乙個天氣描述都可以在這個空間中找到自己的座標。
特徵向量：在樣本空間中的每乙個點對應乙個座標向量，因此乙個樣本也叫做特徵向量。上述例子的樣本維度是3（3個屬性），因此是乙個三維向量。
訓練集：作為經驗提供給學習演算法的資料集。
訓練樣本：訓練集中的記錄，包含結果資訊。如：（（颳風 = 是； 溫度 = 25； 濕度 = 99），雨天）
測試集：新的需要判斷類別的資料集，用於測試產生的模型是否準確。
測試樣本：用於被**結果的樣本。
機器學習有兩類：分類和回歸。分類的結果是離散值，例如天氣情況：晴天、雨天、多雲。離散的**結果是連續值，例如下雨的概率：0.95、0.88、0.24 。
根據訓練資料集是否有標記資訊，學習任務分為監督學習和無監督學習。分類和回歸都屬於監督學習，根據已有的例子（知道什麼情況是雨天什麼情況是晴天），來對新的樣本做出判斷。無監督學習的代表是聚類，所謂聚類是指：並不知道訓練集的具體類別結果資訊，但是可以根據樣本在樣本空間中的座標位置，把他們分成幾個組（通常是根據距離劃分），這些自動形成的組對應一些潛在概念的劃分。也就是說，分出來的組你可能並不知道它究竟是什麼類別，但是這些樣本具有某些共同特徵。
影響**準確度的因素有：是否採用了正確的學習演算法，訓練集樣本選擇是否合理，用於**的屬性特徵是否合理。一般來說，訓練樣本集要符合現實情況的規律，即和測試樣本集最好同分布。
最後，推薦一下一本不錯的機器學習書籍，南大周志華寫的《機器學習》，很適合入門學習。自己目前也是剛剛開始學習機器學習~用的就是這本教材。吳恩達以前在standford的機器學習公開課也很不錯~
以上 歡迎指正錯誤 共同學習
什麼是機器學習
機器學習 machine learning 是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納 綜合而不是演譯。學習能力是智慧型行為的乙個非常重...
什麼是機器學習？
簡單的一句話 讓機器從資料中學習，進而得到乙個更加符合現實規律的模型，通過對模型的使用使得機器比以往表現的更好，這就是機器學習。詳解 資料 從現實生活抽象出來的一些事物或者規律的特徵進行數位化得到。學習 在資料的基礎上讓機器重複執行一套特定的步驟 學習演算法 進行事物特徵的萃取，得到乙個更加逼近於現...
什麼是機器學習
當第一次試著程式設計時，我就愛上了這門藝術 是的，我相信程式設計既是科學又是藝術 我很快就迷上了如何通過設定邏輯規則和條件來控制程式的流程，if.else語句，switch，迴圈等等。在接下來的幾年裡，我學會了通過建立模組和將 段抽象成函式和類的手段來保持 整潔。我通過物件導向的分析和設計 ooa ...