寫在前面的廢話：
好吧，不得不說魚C的markdown文本編輯器挺不錯的，功能齊全。再次感謝小甲魚哥哥的python視頻讓我去年大三下學期的時候入門了編程，愛上了編程這門語言，由於是偏冷門的統計學，在實習以后就決定把方向放在數據挖掘方面了，越來越發現專業課的重要性。在大家都忙着參加各種培訓的日子里面，我就在去年寒冷的冬天把甲魚哥的python視頻一字不落的看完了；現在，在別人拼命參加校招的日子里，我就來學習“機器學習”這里面的算法了（ps：工科學校的理科妹子表示很難找到數據分析工作，人家只要研究生）。好吧，我就不信邪了，硬是開啟了持續兩個月的Ng教授的coursera上面的“機器學習”課程（里面的assignment很簡單，使用matlab完成），剛好實驗室進貨一本《機器學習實戰》，也就拿來練練手，讓自己的python進階一下，之前各種web后台折騰，尤其是爬蟲，然而我不想幫別人爬數據，我要分析數據，挖掘潛在信息，程序是工具，掌握業務趨勢才是王道！
不廢話了，接下來的筆記系列都是我在coursera上面的領悟，根據自己的手寫筆跡以及《機器學習實戰》這本書的代碼得來的，希望不習慣更新博客的我能把這件事情堅持下來。加油！
正文：
這兩年估計很多人都聽說過“大數據”，目前機器學習也在悄無聲息的進入到部分數據挖掘領域。當然，國外數據挖掘已經很成熟了，機器算法應用的范圍也就更加廣泛，分別有：網絡搜索，郵件分類；機器人；生物和醫葯學研究等等。
這里舉幾個具體例子：
- 網站數據：你可以根據網站的點擊數據了解產品的歡迎程度；
- 醫療數據：根據醫療記錄了解病人的病情方便診斷；
- 生物方面：比如基因DNA序列可以用於研究人類的某些特質甚至遺傳方面的信息；
- 工程領域：指導無人機自主運行，手寫字體的識別，NLP(Natural Language Processing 俗稱”自然語言處理“)，以及計算機視覺;
- 推薦系統：亞馬遜的產品推薦系統（貌似這個也可以被分到網站數據）。
那么啰嗦了這么多，什么是機器學習呢？
這里有兩種定義：
- 通俗點講：研究讓機器擁有人一樣的學習能力，該能力不被固定的編程實現或操作，屬於機器本身的一種自主學習行為。
- 學術點講：通過經驗E，針對某些任務T，設計出一段計算機程序，該程序擁有特定的績效指標P，程序的目的就是根據歷史經驗E的不斷的積累在任務T中提高它的績效指標P。
學術就是學術，太生硬了，也是我不考研的原因之一，so boring~通俗的舉個例子：
下跳棋：
E = 玩了多局跳棋所累積的經驗
T = 下跳棋本身就是一個任務
P = 程序贏得下一次跳棋的可能性
機器學習主要包括兩個任務：分類和回歸。前者非常容易理解，就是在一個預測任務中把數據分類；后者回歸主要是統計意義上的，用於預測數據，做過數學建模的同學估計對擬合曲線相當熟悉；是的，回歸里面一個非常重要的任務——數據擬合曲線：通過給定的數據集合擬合出最優曲線，使得該曲線盡量能夠反應數據的趨勢，在不過度擬合的情況下能讓給定的數據集落在線附近（上）。而機器學習包括“監督學習”和“非監督學習”，那么分類和回歸都屬於“監督學習”。接下來拋磚引玉，本文的重點就是區分“監督學習”和“非監督學習”，后面的文章中講分別對這兩種學習進行細分，甚至回歸和分類里面的細節更是數不甚數。
- Supervised Study
Example 1：房價預測（線性回歸）
假設，你手上有一堆房價以及房子大小面積的數據，讓你根據房子大小估算房價，然后你根據數據得出下圖（圖太丑，不許勿噴）
你根據數據的分布分別擬合直線和曲線，兩種擬合的線在x1這個點預測分別得到y1和y2；因此，不同的曲線對應不同的預測結果。那么，為什么我說這里的房價預測就是一種“監督學習”呢？因為有確定的答案被給出了，也就是說在數據集中，不同的房子的面積分別對應着不同的房價。也就是說，這類算法明確的知道自己預測的是什么（本例中預測房價），目標變量非常明確。
以上問題也被稱為回歸問題：預測連續的輸出值。
Example 2：腫瘤癌的預測：良性腫瘤和惡性腫瘤（Logistic回歸）
上圖中的“×”符號代表的就是數據集，指的是不同腫瘤大小對應是否為惡性腫瘤（1），如果是惡性腫瘤，那么對應數值1；反之對應數值2。這就是一個典型的二值化問題，也被稱為（Logistic回歸問題），常用於分類：離散的輸出值（0或者1）。
當然，在實際的預測中，腫瘤是否惡性的判斷需要依據很多屬性，比如：腫瘤塊的厚度、細胞的形狀等等，而影響腫瘤大小的因素也有很多，比如年齡等等。這么多屬性，如果都用畫圖的方式來擬合數據，就顯得比較低效率，因此，我們引入了“向量機”，以后我們會討論到這個問題，有興趣的可以谷歌一下。
- Unsupervised Study
顧名思義就是沒有給定的正確的答案
先上圖：
單純是給一堆數據，如上圖的黑色小圓圈代表數據集，讓你找到這些數據的結構特點，也就是聚類（正所謂：物以類聚，人以群分）。很明顯，你沒有標准答案，因此既可以把數據按照紅色的橢圓形聚為2類，又可以按照紫色的線條圈起來的范圍聚為3類，還可以按照藍色正方形圈為2類，沒有人說你這種聚類是錯誤的，只要你說出你的理由。
看起來，非監督學習無理可循，但是應用范圍相當廣泛：組織計算機集群，社交網絡分析，市場份額分割以及天文數據分析。在未來大數據下需要被探索的東西太多，未知數也往往深不可測，因此非監督學習這個學科的“水”相當深~
嗯，暫且介紹到這里，老衲要午睡了，下午還要上courera的課程，第四周了，歡迎有興趣的朋友和我成為同學~
下集預告：線性回歸以及梯度下降算法。