这是我学习吴恩达机器学习课程的一点心得和笔记，梳理一下知识，同时与大家交流一下。
监督学习（Supervised Learning）
在监督学习中，通过给定的数据集来得出一个最优的预测算法，在这个数据集中，我们已经知道了正确的输出。
例如：我们给出一组关于房价的数据集，数据集中包含房子的一些特征以及这些房子的价格，房子的价格即是正确的输出。
监督学习可以分为回归和分类
回归问题，是在连续的输出上预测结果，通常是用一个连续函数（例如一次函数或多次函数）来拟合数据，它可能的输出值无限的。
例子：
- 根据房子面积和位置预测房价；
而分类问题，通常是通过离散的输出，来拟合数据，它和回归的区别是，分类预测的结果是有限的，可能就两个，三个可能的结果。
例子：
- 预测房子卖不卖的出去；
- 预测一个肿瘤患者，他的肿瘤是恶性还是良性的；
- 判断垃圾邮件
非监督学习（Unsupervised Learning）
无监督学习是在不知道结果是什么的情况下处理问题，可以根据数据中变量的关系对数据进行聚类，从而得出一个算法
即让机器自己学会做事情，区分数据。
无监督学习有两类算法：聚类（Clustering） 和 非聚类（Non-clustering）
聚类：
- 收集大量基因数据，找到一种方法将基因分组，这些分组与数据中的不同变量有关，类似，寿命，性别等；
- 自动将大量新闻分类，分成，体育，娱乐等分类
非聚类：
- 鸡尾酒会算法，在混乱的环境中找出结构（即在一个鸡尾酒会上从一个混合的声音中识别出人声和音乐）。
转载自：
https://codeeper.com/2019/12/29/tech/machine_learning/supervised_learning.html
