机器学习Machine Learning(ML)

什么是机器学习

1. 定义
   对于某个任务T和表现的衡量P，当计算机程序在该任务T的表现上，经过P的衡量，随着经验E而增长，称计算机能够通过经验E来学习该任务。（Tom Mitchell）
2. 举例而言，在跳棋游戏中，任务T为玩跳棋游戏，衡量P是游戏输赢，经验E是一局又一局的游戏。

监督学习（supervised learning）

1. 预先给出算法“正确的结果”，即训练集中对于任意一个变量x，都已经有y与之对应，称这样的学习为监督学习。与之相对应的是：非监督学习（unsupervised learning）
2. 举例而言，假设你拥有房价数据，同时有交易房屋的占地面积x和房屋的交易价格y，现在你希望预测一个750平方英尺的房屋的交易价格。此问题就是一个监督学习。（也可称为回归问题regression，因为我们能预测的结果是连续的值）
3. 举例而言，假设你拥有肿瘤的数据，同时拥有肿瘤的尺寸，病人的年龄等变量x和某病人的肿瘤是良性或恶性y，现在希望预测一个病人的肿瘤是良性或者恶性的。此问题也是监督学习。（也可称为分类问题classification）

非监督学习（unsupervised learning）

1. 在监督学习中，无论回归问题还是分类问题，数据中总有一个结果，如房价问题中房价，肿瘤问题中良性与否。而在非监督学习中，我们只有特征，非监督学习解决的就是：我们的这些数据是否可以分为不同的组。
2. 举例而言，假设对于发表在US economy上的论文，我们希望根据词频，句子长度将这些论文其分为不同的组。（也可称为聚类问题clustering）
3. 举例而言，“鸡尾酒问题”，在凌乱的数据中发现结构，如在嘈杂的鸡尾酒聚会中区分某人的声音和音乐声。

小结

在Quora上有篇回答可以帮助理解监督学习和非监督学习：机器学习算法中监督学习和非监督学习的区别