對學習的定義

學習經驗E 完成任務T 績效指標P

對於某類任務T和性能度量P，如果一個計算機程序在完成T上以P來衡量完成的好壞，並隨著經驗E而自我完善，那麽我們稱這個計算機程序在從經驗E中學習

(常用)機器學習算法，主要是以下兩種：

　　監督學習

　　非監督學習

（其他）學習算法等

　　加強學習

　　推薦系統

（概念）監督學習：

　　我們根據已有的數據集，已經知道正確輸出是怎麽樣的，即輸出和輸入存在映射關系。

無監督學習

　　結果很少或者不知道結果好壞，但可以基於數據對數據進行聚類導出數據得分類結構，從中獲得信息。

分為回歸和分類問題：

　　回歸：

　　　　在連續輸出中預測結果，也就是根據輸入變量映射到某些連續函數

　　分類：

　　　　嘗試將輸入變量映射為離散類別

（支持向量機算法：讓電腦處理無限多的特征）

學習算法

　　1.（主）線性回歸算法

　　　　在監督學習中數據集被稱為訓練集

　　　　m表示訓練樣本數

　　　　x表示輸入變量值

　　　　y表示輸出樣本值

　　　　把訓練集中的數據餵給學習算法

　　　　得到一個函數h

　　　　x→h→y

機器學習流程基本架構

對於一些機器學習算法的介紹，會在後續的博客中提到

機器學習（一）