前段时间，google的alphaGo让大家的眼睛都聚焦到这一“人工智能”上了。那么就当时应景吧，写一写我关于机器学习的一些笔记及认识，内容主要根据在Coursera上Andrew Ng大神的课程来做笔记。
首先，什么是机器学习？
参照百度百科的讲解，“机器学习是一门多领域交叉学科，设计概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习能力，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。”什么意思呢？也就是说，机器学习是一门跨领域的学科，是一种能够让机器模仿人类学习能力的一种学科。在Andrew的课程中，提到了几个机器学习的定义：
1，Arthur Samuel (1959) : Machine Learning is a field of study that gives computers the ability to learn without being explicitly programmed.
塞缪尔亚瑟 ： 机器学习是一门给予计算机不需要显式编程而获得学习能力的领域。
2，Tom Mitchell (1998) : Well-posed Learning Problem : A computer program is said to learn from experience E with expect to some tasks T and some performance measure P , if its performance on T , as measured by P , improve with experience E.
汤姆米切尔： 学习程序的问题：计算机程序如果通过一些预期的任务T在一些特定的特征P的标准下学习到经验E，那么就说明这个计算机程序通过经验E获得了提升。（比较抽象）
米切尔的定义，是比较抽象但是又比较准确的，能够大体概括出机器学习的主要方法和目的。通俗点儿讲，当你手上有一堆带有指标的数据，比如一个班级学生的身高（height）、体重（weight）、性别（gender）、成绩排名（rank），看上去这些数据是没有什么必要联系的，但是你想模拟出一个公式来计算或预测一个学生的成绩是和身高、体重、性别有某些必然联系，假设
rank = ø0+ø1*height + ø2 * weight + ø3 * gender
但是你又无法确定ø0、ø1、ø2、ø3这些参数的值，所以获取这几个参数的值的方法，就是机器学习算法。
那么机器学习有哪些方法呢？
机器学习，大体上分成两个分类：监督学习（supervised learning）和非监督学习（unsupervised learning）；细分的话，还有半监督学习（half-supervised learning）和增强学习（reinforcement learning）
如何来区分监督学习和非监督学习呢？其实很简单，只要看，你的训练集是有输入有输出，那么通过这样的训练集获取到的算法，就是监督学习算法；反之，如果你的训练集是只有输入没有输出，那么最后得到的算法就是无监督学习算法。半监督学习呢，就是当你的训练集中，有一部分是标记的数据（有input和output），一部分是非标记数据（有input无output），那么就是半监督学习；强化学习，通过其他学习后得到的算法，在你的另外一组数据的刺激下得到的更为精准的算法，这样的方式就是强化学习。
OK，后续的blog会继续做机器学习的笔记及分享。
