1.一些关于机器学习的介绍
1.1 什么是机器学习？
此处提供机器学习的两种定义。
Arthur Samuel 将其描述为：“研究领域使计算机无需进行明确编程即可学习。” 这是一个较旧的非正式定义。
Tom Mitchell 提供了一个更现代的定义：“如果某计算机程序在T任务中的性能（由P衡量）随着经验E的提高而提高，则可以说它是从经验E中学习有关某类任务T和性能度量P的。”
例如：如何让电脑玩好快乐风男
E = 大量亚索玩家游戏的经验
T = 让电脑每场都使用这个英雄
P = 电脑使用亚索取胜的概率
通常，可以将任何机器学习问题分配给以下两个广泛的分类之一：
监督学习和无监督学习。
1.2 监督学习 (Supervised Learning)
在监督学习中，我们已经得到了一个数据集，明确知道该数据集的正确输出，同时认为输入和输出之间存在关系。监督学习问题分为回归（regression）和分类（classification）问题。
回归问题：
预测连续输出中的结果，这意味着将输入变量映射到某个连续函数。如给定一个人的照片，我们必须根据给定的照片预测他们的年龄。
分类问题:
我们尝试预测离散输出的结果。 换句话说，我们尝试将输入变量映射为离散类别。如对于患有肿瘤的患者，我们必须预测肿瘤是恶性还是良性的。
1.3 无监督学习 (Unsupervised Learning)
无监督学习使我们几乎不了解结果应该是什么样子。 我们可以从数据中获得结构，而不必知道变量的影响。
可以通过基于数据中变量之间的关系对数据进行聚类来推导此结构。在无监督学习的情况下，没有基于预测结果的反馈。
聚类：
收集1,000,000个不同基因的集合，然后找到一种方法，将这些基因自动分组为通过不同变量（例如寿命，位置，角色等）在某种程度上相似或相关的组。
非聚类：
“鸡尾酒会算法”，可以在混乱的环境中找到结构。（即在鸡尾酒会上从一连串的声音中识别出个人的声音和音乐）。
