---

一、机器学习是什么？

答案：机器学习：计算机程序从经验译E中学习解决某一任务T解决某一性能度量P,通过P测定在T上的表现因经验E而提高。

首先问大家个问题：你知道儿童是怎么学习的吗？
我们拿你小的时候你爸爸妈妈抱着你，指着某个字教你读一样举例
①让他们接触大量数据(让你看到这个字)
②向他们提供“正确答案”(父母教你怎么读)
③他们将自己挑选重要的模式(你的反馈是怎样的，写？读？边写边读？)
然而虽说人工智能但是你起码还能饿的时候出门自己买泡面，机器人不一样怎么走？什么速度？迈多大步子？怎么拿泡面都是问题，这样一看你的优越感是不是又强了许多(●’◡’●)

你一定或多或少听过柯洁与alphago的围棋人机大战，没听说过的看这👉围棋人机大战。
然而设计一款这样人工智能程序就需要机器学习啦
机器学习：计算机程序从经验译E中学习解决某一任务T解决某一性能度量P,通过P测定在T上的表现因经验E而提高。
说人话就是对于这样一款人工智能程序你需要三个要素：E、T、P
经验E：程序与自己下几万次围棋
任务T：下围棋
性能度量P：与新对手下围棋时赢的概率(也就是准确率(但是不是P是accuracy) )

二、学习算法

前情提要：在机器学习中，如果你想自己设计一个程序，那么就学好算法，要自己去写函数，吴恩达老师的视频中建议大家用Octave,但是本人用的是Matlab,性质都一样不过Octave相对更容易上手
就拿视频中的判断肿瘤是良性还是恶性举个栗子

1.监督学习

2.无监督学习

监督学习与无监督学习的区别：
①有标签 vs 无标签：在监督学习中我们可以看出⚪和×这就是一种人为标注的标签，而在无监督学习中并没有标签区别都是⚪
②分类 vs 聚类：区别就是有误明确边界，就像垃圾分类一样干垃圾就是干垃圾，你要是丢到厨余里看看楼下大妈打不打你。而聚类没有明确边界是一个模糊概念，里面可以有1也可以有0
③同维 vs 降维：在监督学习中三维图片就是三维的，但是在无监督学习中是要做特征提取，或者干脆采用层聚类或者项聚类，以减少数据特征的维度。
④分类同时定性 vs 先聚类后定性：肿瘤可以由年龄，厚度，大小判断是良性还是恶性，在监督学习中他们因为人为标注所以可以同时进行，但是无监督学习就需要分布做，先聚类将其划分再下定义是什么样的肿瘤
⑤独立 vs 非独立：就是偏移量，感觉和分类聚类差不多，就不解释了。
⑥不透明 vs 可解释性：监督学习的不透明就是没办法解释，你考80与100考的什么样你能怎么解释，“我考了59分”对吧，没办法解释的，就是要被打。但是无监督学习的可解释性，就像你问同桌多少分时，“和你一样也就八、九十分”的时候，以防万一请务必打他因为80分到99分也就是俗称的:八、九十分，以免出现99分的情况让对方可以解释。
⑦DataVisor无监督独有的拓展性：就是同维降维差不多，在原有基础上添加一维度，有影响就是监督学习，没有影响就是无监督学习。
其实也不用那么死板，尽快判断是监督学习还是无监督学习的方法