人工智能近幾年比較火，如AR，VR，AlphaGo，自動駕駛，智能家居等，隔三差五就有新聞。猶豫了很久，覺得自己應該學點什麼，卻遲遲沒有行動，最近才決定把吳恩達（Andrew Ng）在Coursera上的《機器學習》課程擼一遍（其實加入註冊該課程大半年了），以加深對這個行業的理解。從這門課出發，完全是因爲這門課名氣大。目前來看，這是一門含金量極高的課程。
首先，要弄清楚一個概念，什麼是“機器學習”。在沒有查Wikipedia之前，我的理解是，“機器學習人的思維方式，然後自主做出判斷”。止步於此，覺得不過癮，估計小學生也能這樣解釋。“深度學習”並沒有統一的定義，先列舉2種非常著名的定義。
The field of study that gives computers the ability to learn without being explicitly programmed.
A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E.
第1個定義比較容易理解，譯爲“不通過顯式編程，讓計算機擁有學習能力”。課上Andrew Ng舉了Google News的例子。Google News的算法並沒有明確如何編排新聞，而是通過分析抓取的網頁的信息自動實現分類，即具體分類方法並沒有明確寫成代碼。
第2個定義比較費解，舉個例子：
Example: playing checkers.
E = the experience of playing many games of checkers
T = the task of playing checkers.
P = the probability that the program will win the next game.
例子不再翻譯，對照看定義，會好很多。“計算機的學習能力E和特定任務T和任務完成概率P相關，如果任務用T和任務完成概率用P衡量，它們會隨着經驗E的增加而越來越厲害。”計算機和人玩國際象棋，玩得越多，勝率越大。
機器學習分爲兩大類：
- Supervised Learning（監督式學習）；
- Unsupervised Learning（非監督式學習）；
監督式學習，先輸入數據集，並作爲參照，判斷後續輸入集的結果。以“腫瘤大小判斷良性惡性”爲例，先輸入一系列數據集，即腫瘤大小數值和腫瘤是否爲良性的數據。根據數據，畫出二維圖。在此二維圖的基礎上分析某個腫瘤大小數值是否對應爲良性或者惡性。
這裏的“Classification”，是分類的意思。如果要分析的結果是離散的值，如“良性”或者“惡性”，則稱爲分類法；對應地有另外一種方法，“Regression”，“迴歸”的意思，用於分析預測的值爲連續的值。
分類（Classification)和迴歸（Regression）是根據輸出的結果的特徵來對機器學習做分類，後續還會學習到其他類別，此處不再展開。
與監督式學習相對應，也有“非監督式學習“。
Unsupervised learning allows us to approach problems with little or no idea what our results should look like. We can derive structure from data where we don’t necessarily know the effect of the variables.
非監督式學習牛逼之處在於：在解決問題之前，並不知道結果會是怎樣的，而是通過分析數據集的變量關係來組織數據。
圖中有4個例子，以最熟悉的”社交網絡“爲例，玩早期的人人網或當前的脈脈時，都會爲你計算x度人脈，用的就是這種形式。x度人脈的是根據用戶的基本信息和好友情況進行分析的。在非監督式算法的支撐下，可能得出我們意向不到的情況，就像我們生活中偶然得知，”呃，我跟她原來是親戚耶“，就是這種感覺。
今天主要介紹了機器學習的定義和機器學習的分類。概念相對於應用而言，有些枯燥，但正確的理論基礎是正確使用的前提，讓我們一步步揭開機器學習的神祕面紗吧。
注：文中所有圖片來自於Coursera上斯坦福大學《機器學習》課程。
