最近在看一本機器學習的書，在跟這裏面在學，記個博客就當做做筆記吧～
現在主要討論一下 監督學習， 在監督學習裏面，我們只需要給定輸入樣本集，機器就可以從中推演出目標變量的可能結果。所以監督學習相對來說比較簡單，機器只需要從輸入的數據中預測合適的模型，並且從中計算出目標變量的結果。
然後，關於監督學習的目標變量： 標稱型和數值型。 兩者一個很明顯的差別在於 ： 標稱型變量的的結果只有在 有限集中間進行取值， 如 真與假，食物分類集合，動物分類集合；然而 數值型目標變量就可以從無限的數值集合中進行取值，如小數的集合，等等. 而且數值型變量通常用於迴歸分析。
機器學習就是將 無序的數據轉換爲有用的信息！ 所以機器學習對於任何需要 解釋並且操作數據 的領域都很有用。
機器學習會用到統計學知識，以及需要大量分類好的數據爲基礎。
然後機器學習的主要任務就是進行分類，按照特徵進行分類。這裏的特徵是指事物的屬性，這些屬性往往是區分其他相類似事物的重要屬性。。。應該容易理解吧 許多機器學習算法都非常善於分類，如果我們決定了要用哪個機器學習算法進行分類，， 首先要做的就是 算法訓練，即學習如何進行分類，通常我們將算法輸入的大量已經分類好的數據作爲算法的 訓練集， 就是一個針對這個算法的數據樣本集合，訓練樣本中會包含一個 目標變量，這個目標變量就是機器學習算法的預測結果，在分類算法中，目標變量的類型通常都是 標稱型的。 爲了測試機器學習算法的效果，通常會使用兩套獨立的樣本集， 分別是 訓練數據和測試數據。 訓練數據作爲輸入，測試數據用於檢測結果。
上面說了 機器學習的主要任務就是進行分類，但還有另外一個任務就是迴歸，它主要用於預測數值型數據。 分類和迴歸都都屬於監督學習，之所以稱爲監督學習， 是因爲這一類算法必須知道要預測什麼，就是目標變量和分類信息。
與監督學習相對應的就是 無監督學習，這類數據沒有類別信息，也不會給定目標值。 無監督學習中，有一個概念叫做 聚類， 這個就是數據集合分類成有類似的對象組成的多個類的的過程。（似乎聽起來。。有點繞。。。） 。 還有一個概念叫做 密度估計， 這個是用於尋找描述數據統計值的過程。
使用機器學習以及選擇機器學習算法 時 需要明確兩點。 1：使用機器學習算法的目的，就是說我想要通過這個完成什麼樣的作用，2： 需要收集或者分析的數據有什麼。
今晚先寫到這裏，這是第一篇博文