写在最前面，本文集文章，主要参考自
https://github.com/apachecn/MachineLearning
该随笔主要是根据阅读和理解学习文章中的含义，边学边写，在此特别感谢各种资料中提供帮忙的各路大神，也欢迎大家一起交流学习。
机器学习(Machine Learning)涉及多个学科，如高等数学，线性代数，概率学，统计学等，专门研究计算机怎么模拟或实现人类的学习行为，以获取新的技能或知识。通过海量的数据来获取有用的信息是机器学习的特性。
机器学习是人工智能的的一门学科，如今机器学习已经有了广泛的应用，如数据挖掘，计算机视觉，自然语言处理，搜索引擎，信用卡逾期分析，语言和手写识别等。
机器学习的场景
1. 模式识别
2. 机器学习
3. 深度学习
我们这里主要讨论的是机器学习，如果大家感兴趣，可以同步看一些吴恩达的课程，虽然有点深奥（Coursera），有些免费可能，也有些付费的，同时还可以在有一些基础后在主流数据分析比赛平台上一试身手，可以边学边参加，这些平台上有很多经典的数据分析和机器学习案例，如Kaggle的泰坦尼克号，对大家看书也有很大的帮助。
其实机器学习的材料非常非常多，各式各样的教程和视频，主要还是先理解算法的含义，然后根据自己的业务多进行尝试，如果是单纯为了学习机器学习，而暂时没有实战的，建议多参加比赛，积累经验。
机器学习的组成
下面我们会简单说一下机器学习的分类，这个分类吴恩达大神（应该说是大仙更恰当）的视频中说的非常清楚，也有一些经典的例子，可以先去看一下，入个门。
机器学习的主要任务是分类和回归，分类是将数据划分到合适的类别中，如垃圾邮件分类（二分类），手写字体识别（多分类），回归用于预测数值型数据。
监督学习（supervised learning）
必须确定目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系（包括回归和分类）
样本集：训练数据+测试数据
监督学习需要注意的问题：偏置方差权衡，功能的复杂性和数量的训练数据，输入空间的维数，噪声中的输出值
知识表示：规则集、概率分布、训练集中的实例
非监督学习（unsupervised learning）
在机器学习，无监督学习的问题是，在未加标签的数据中，试图找到隐藏的结构。因为提供给学习者的实例是为标记的，因为没有错误或报酬信号来评估潜在的解决方案。
非监督学习包括的类型：聚类、密度估计
有了基本的概念，下一节我们将学习机器学习的基本处理逻辑，大多数算法都是基于这个逻辑。
2018.06.12
