機器學習（Machine Learning）作為當前最為流行的資訊科技之一，已經吸引了眾多人員的廣泛關注，要想深度研究與掌握機器學習，瞭解其基礎理論與應用是一條必經之路。吳恩達教授的機器學習系列視訊內容通俗易懂，可以說是為廣大想要探索機器學習的朋友們提供了一個入門福利。之前看吳恩達機器學習的時候做了一些紙質筆記，現在打算逐步把這些筆記編寫為電子版，一方面可以溫故知新，另一方面也可以分享交流。
今天是第一部分——初識機器學習，主要了解的是機器學習的定義，以及監督學習與無監督學習的概念。
1、What is machine learning(ML) ?
ML能模擬或實現人類的學習行為，解決一些簡單但繁瑣甚至複雜的問題，巧妙地將人類智慧融入到機器智慧之中，目前已經涉及到各個行業與基礎科學中，資料庫挖掘與語音識別等都是典型的案例。
Arthur Samuel首次對ML進行了定義，他認為ML是研究無需顯式程式設計就可以賦予計算機學習能力的領域（a field of study that gives computers the ability to learn without being explicitly programmed），這是一個比較古老非形式化的定義。
Tom Mitchell給出了更形式化的定義，即假設用指標P來評估程式解決任務T的效能，若某 一程式通過利用經驗E，在任務T上獲得了效能改善，則該程式對E進行了學習（a computer program is said to learn from experience E with respect to some task T and performance measure P, if its P on T, improves with E）。
周志華的西瓜書中也指出ML就是研究如何通過計算的手段，利用經驗來改善系統自身的性 能。由於經驗通常是以資料的形式存在，因此ML的研究內容就是關於在計算機上從資料中產生模型的演算法，即學習演算法（Learning Algorithm）。
當前的學習演算法主要分為監督學習（Supervised Learning）與無監督學習（Unsupervised Learning）兩大型別。
2、What is Supervised Learning ?
監督學習（Supervised Learning）指利用給定的包含正確答案（標籤）的資料集（訓練集）對學習演算法進行訓練。不同的資料情況有不同的模型形式，從演算法的輸入特徵數量來看，有單個特徵輸入（單變數）與多個特徵輸入（多變數）；從演算法的預測變數型別來看，有實值預測（迴歸問題）與類別預測（分類問題）。吳恩達老師在講授中舉了如下幾個例子：
a. 基於房子面積的房價預測問題（單特徵/實值預測）
b. 基於腫瘤尺寸的腫瘤良性與否預測問題（單特徵/類別預測{0，1}）
c. 基於年齡與腫瘤尺寸的腫瘤良性與否預測問題（多特徵/類別預測{0，1}）
3、What is Unsupervised Learning ?
無監督學習（Unsupervised Learning）指利用給定的不包含標籤或具有相同標籤的資料集（訓練集）對學習演算法進行訓練。針對資料集，無監督學習能自動地找到資料中的結構，並把其分成不同的簇（Clusters），是一種聚類演算法（Clustering）。
同樣在無監督學習的理解中，吳恩達老師也舉了幾個例子：
a. 谷歌新聞分組（基於新聞主題的聚類）
b. 基因類別分析（基於基因表達的聚類）
c. 社交網路分析（基於使用者社交關係/興趣的聚類）
d. 音訊身份識別（基於音訊特徵的聚類）
4、Summary
機器學習可以從大規模資料中推演出模型，有效地提升瞭解決問題的效能。監督學習與無監督學習的差異根源來自資料集的特徵，監督學習主要利用帶有標籤的資料集，實現對焦點變數的預測（prediction）；無監督學習主要利用沒有標籤的資料集，實現對資料內容的洞察（insight）。