原文：
arthur samuel定義機器學習為，在無特定程式設計的情況下，給予計算機學習能力的領域。這個定義不正式而又古老。
tom mitchell提供了乙個更現代的定義：乙個程式被認為能從經驗e中學習，解決任務 t，達到 效能度量值p，當且僅當，有了經驗e後，經過p評判， 程式在處理 t 時的效能有所提公升。
比如：玩西洋棋。
e = 程式許多次自我訓練的經驗
t = 程式下棋的人物
p = 程式贏得寫一次西洋棋遊戲的能力
幾乎任何機器學習問題可以分為兩類：監督學習（supervised learning）和非監督學習（unsupervised learning）。
在監督學習中，我們被給予乙個資料集，並且已經知道我們正確的輸出應該是什麼樣的，認為輸入和輸出之間有乙個關係。
監督學習的問題分為「回歸」和「分類」問題：
在回歸問題中，我們試圖在連續輸出中**結果，這意味著我們正在嘗試將輸入變數對映到一些連續函式；
在分類問題中，我們試圖用離散輸出來**結果。 換句話說，我們正在嘗試將輸入變數對映到離散類別。
舉例1：
根據房地產市場規模的資料，嘗試**房價。 **作為大小的函式是連續的輸出，所以這是乙個回歸問題。
我們可以將這個例子變成乙個分類問題，而不是讓我們的產出是關於房子「賣出多於或者低於要價」，在這裡，我們將房價分為兩類。
示例2：
（a）回歸 - 根據乙個人的**來**他們的年齡
（b）分類 - 根據乙個患者的腫瘤是惡性還是良性。
非監督學習指知道很少或不知道處理問題的結果。
我們可以從資料中匯出結構，我們不一定知道變數的影響。
我們可以通過基於資料中的變數之間的關係對資料進行聚類來匯出該結構。
通過無監督的學習，基於**結果進行反饋。
示例：聚類：收集100萬個不同的基因，並找到一種根據未知的相似或者有關不同變數（如生命週期，位置，作用等）對其進行自動分組的方法。
非聚類：「雞尾酒會演算法」，讓您在混亂的環境中找到結構。 （即，從雞尾酒會的聲音網格中識別個體聲音和**）。
機器學習 入門 什麼是機器學習？
接觸機器學習有一段時間了，有些東西還是要記錄下來才有意義。從本篇開始，我將持續更新關於機器學習的內容，非常適合新手入門或小白來學習。今天來介紹一下機器學習的整體框架，為我們之後章節的學習鋪平道路。根據定義，可以發現機器學習的三大組成要素 任務 模型 特徵，如圖所示是它們之間的關係。注意 在很多情況下...
什麼是機器學習
機器學習 machine learning 是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納 綜合而不是演譯。學習能力是智慧型行為的乙個非常重...
什麼是機器學習
廣州的天氣總是陰晴不定，經常上午陽光燦爛，下午突然烏雲密布，狂風亂作，然後就是傾盆大雨。每次看見烏雲和大風，人們就知道要下大雨了。為什麼我們看見烏雲感受到大風，就知道要下雨了呢？我們能做出這些有效的預判，是因為我們已經積累了許多經驗，而通過對經驗的利用，就能對新情況做出有效 那麼，這樣利用經驗做出判...