什么是机器学习
一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升
机器学习包含两类经典任务：监督学习和无监督学习
监督学习
监督学习关注对事物未知表现的预测，一般包括分类(classification)问题和回归（regression）问题
• 分类问题便是对其所在的类别进行预测，类别既是离散的，同时而是预先知道数量的，例如通过对人的身高，体重等数据预测其性别，性别不仅是离散的（男，女）还是知道数量的
• 回归同样是预测问题，只是预测的目标往往是连续变量，比如根据房屋的面积，位置等数据预测房屋价格
无监督学习
无监督学习倾向于对事物本身特性的分析，常用的技术包括数据降维（dimensionality reduction）和聚类问题（clustering）等
• 数据降维是对事物的特性进行压缩和筛选，相对比较抽象，例如对图像进行降维，保留最具有区分度的像素
• 聚类则是依赖数据的相似性，把相似的数据样本划分为一个簇，大多数情况下不会知道每个簇的数量和具体含义，例如电商网站对用户信息和购买习惯进行聚类分析，针对性投放广告和促销信息
经验
经验就是对学习任务有用的特定信息，而我们通常把这些反映数据内在规律的信息叫做特征
对于监督学习来说，经验包括特征和标记/目标两个部分，一般用一个特征向量来表示一个样本；标记/目标的表现形式则取决于监督学习的种类
无监督学习没有标记/目标，因此无法从事预测任务，却更适合对数据结构的分析
