1.主要介绍了当前机器学习使用的各大场景

 

2.监督学习  Supervised Learning

是一个机器学习中的方法，可以由训练资料中学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。

一个监督式学习者的任务在观察完一些训练范例（输入和预期输出）后，去预测这个函数对任何可能出现的输入的值的输出。要达到此目的，学习者必须以"合理"（见归纳偏向）的方式从现有的资料中一般化到非观察到的情况。在人类和动物感知中，则通常被称为概念学习（concept learning）。 摘自维基百科

房价例子 首发邮箱例子 回归分析 

2.无监督学习 Unsupervised Learning

非监督式学习是一种机器学习的方式，并不需要人力来输入标签。它是监督式学习和强化学习等策略之外的一种选择。在监督式学习中，典型的任务是分类和回归分析，且需要使用到人工预先准备好的范例(base)。

一个常见的非监督式学习是数据聚类。在人工神经网络中，自组织映射（SOM）和适应性共振理论（ART）则是最常用的非监督式学习。

ART模型允许丛集的个数可随着问题的大小而变动，并让使用者控制成员和同一个丛集之间的相似度分数，其方式为透过一个由使用者自定而被称为警觉参数的常数。ART也用于模式识别，如自动目标辨识和数位信号处理。第一个版本为"ART1"，是由卡本特和葛罗斯柏格所发展的。 摘自维基百科

 某疾病例子

聚类算法(广告分类/人际关系/市场率)

 

Stay Hungry Stay Foolish.