機器學習的定義:1，在沒有明確定義的情況下，使計算機具有學習能力的研究領域。
2，電腦程式從經驗e中學習解決某一任務t，進行某一效能度量p，通過p測定在t上的表現，因經驗e而提高。
兩個不同的人根據自己的理解提出的解釋。
機器學習：
1,有監督學習：我們給演算法乙個資料集，其中包含了正確答案。也就是說我們給它乙個房價資料集，在這個資料集中的每個樣本，我們都給出正確的**即這個房子實際賣價，演算法的目的就是求出更多的正確答案，例如為你朋友想要賣掉的這所新房子給出估價。
回歸問題：結果是線性的（我們設法**出乙個連續值的結果）
分類問題：結果是離散的（我們設法**出乙個離散值的結果）比如腫瘤良性還是惡性只有0或者1.兩種結果。
2，無監督學習：相對於監督學習（給定輸入，輸出，作為參考），無監督學習不知道輸入/輸出是什麼，只能將資料進行聚類。
聚類和分類的區別：
分類：已知資料的型別，即在沒有輸入的時候，就知道輸出的結果（如：腫瘤良性還是惡性）。
聚類：不知道資料的型別，只給資料一些特徵，機器根據特徵，將資料分類。
筆記 吳恩達第一章引言
一 引言 introduction 1.1 歡迎 1.2 機器學習是什麼？1.3 監督學習 1.4 無監督學習 暫空特徵 樣本點有標記資訊，如房價 問題 良性腫瘤與惡性腫瘤分類問題等 監督學習的分類 回歸 regression 針對連續型問題，如房價 問題 predict real valued o...
吳恩達機器學習筆記一
機器學習分類 監督學習 無監督學習 強化學習 深度學習 監督學習 回歸問題，意指要 乙個連續的輸出值，比如房價。分類問題，目標是 離散值輸出 0 or 1 比如 腫瘤是良性或惡性，可以有乙個特徵 腫瘤大小，也可以兩個特徵 年齡和腫瘤大小，或者無限多特徵 支援向量機。分類是將一些例項資料分到合適的類別...
吳恩達機器學習筆記
為了解決實際生活中的問題，我們通常需要乙個數學模型。比如，小明有乙個房子 他想賣掉房子 為了知道房子的 小明收集了該地區近兩年的房屋交易 他發現房屋 與房屋大小呈正相關，所以他畫了了一幅圖 小明的房屋大小用紅色的 代替。可見和小明房屋一樣大小的房子並不存在，而類似的房屋 又有很大差別，如此小明決定用...