0.機器學習定義

  一個程式由經驗E中學習，解決任務T，達到效能度量值P，當且僅當，有了經驗值E後，經過P的評判，程式在處理T的時候經驗有所提升。

1.機器學習運用領域：

        資料探勘

        無法手動編寫的程式：NLP（自然語言處理），計算機視覺

        私人訂製程式：eg推薦

        Understanding human learning (brain, real AI)

2.演算法

   （1）監督學習：我們會教計算機做某事

            監督學習指的就是我們給演算法一個數據集。這個資料集由特徵值與正確答案組成。也就是說資料集是帶標籤的。

           例如 （房子面積、樓層位置、價格）

    （2）非監督學習：計算機自己學習

            無監督學習中沒有任何的標籤，需要計算機自動探索資料的結構與規律。

    Others: 強化學習，推薦系統

3.監督學習

    案例：房價預測、垃圾郵件分類、糖尿病預測

    迴歸問題：Regression 預測連續值的輸出

    分類問題：Classification 設法預測一個離散值輸出0或1（有時也有2個以上可能的輸出值）

                        可有多個屬性

4.無監督學習

   聚類演算法 eg：google新聞分類

                    應用：（1）組織大型的計算機群 （2）社交網路分析 （3）市場細分 （4）天文資料分析 (5)  基因表達

                    code案例：（音訊分離程式碼）【W,s,v】=svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x');