机器学习顾名思义，计算机模拟人类学习行为，获取学习规律改善自己。可以应用于数据的预测任务。

人类学习： 外界现象-->认知-->推理判断-->归纳规律

计算机：给定样本数据-->学习规则-->获取数据的规律 -->根据新的数据进行预测

机器学习的对象：学习任务T，训练经验E，预测性能目标P

例子：学习任务--下象棋；  性能目标--击败对手（胜率100%）；  训练经验--学习棋谱，自我博弈

机器学习的分类：

监督学习：房价预测，回归分析，曲线拟合。有结果对照

无监督学习：分类，垃圾短信，垃圾邮件。    无结果对照

强化学习：机器人控制。   

具体的：

 

监督学习：

训练集需要包括特征数据和判别目标结果，训练出模型根据特征预测结果。带结果数据训练。

例如根据身高，头发，吸烟的特征判别性别。训练集的数据特征和目标是一一对应用于训练。

最后根据你给定的特征判断结果。

无监督学习：

 无标记的特征数据，可以根据样本的特征分辨类别。

例如：根据衣服的一些特征，进行相关的分类。

强化学习：

环境感知，做出尝试动作，奖惩状态，进行调整，尝试新的动作。启发式学习。

机器学习算法一览：

相关资料：

1，Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006 ,

2，Kevin P. Murphy, Machine Learning:A Probabilistic Perspective, The MIT Press, 2012