摘自范明等譯的(原著Ethem Alpaydin)《機器學習導論》第一章，參雜部分個人見解，不對之處歡迎指點
學習機器學習，應首先知道它在實際生活中的應用具體有哪些，這樣有利於進一步的原理學習。
1 學習關聯性
購物籃分析：即挖掘商品間的關聯性，購買了商品X的用戶有多大的可能性會購買商品Y，其中用戶可進一步增加限制條件，如性別、年齡等
WEB鏈接：可以預估用戶可能點擊的鏈接，預先下載好，提高存取速度
2 分類（監督學習）
信貸：根據客戶信息，如收入、存款等對客戶的申請計算風險，決定接受或拒絕該項申請。該項也可以看做學習關聯性，即計算客戶能償還該貸款的可能性有多大
模式識別：光學字符識別，如手寫體字符識別；人臉識別；醫學診斷；語音識別
知識抽取：發現規則，如爭取信貸中低風險的客戶
離群點檢測：發現不遵守規則的例外實例，如詐騙
3 回歸（監督學習）
預測二手車價格：輸出是車的價格，是不可數的數據，而不是某幾個可數的類別，這類問題視為回歸。輸入信息可以為品牌、車齡等
機器人導航：如自動汽車導航，輸入汽車上的傳感器（如視頻相機，GPS等）數據，輸出車輪轉動角度
烘焙咖啡：輸入溫度、咖啡豆等信息，測試消費者的滿意度，從而確定咖啡的品質
4 非監督學習
監督學習中，可以提供輸出的正確值，而非監督學習之有輸入數據，目標是發現輸入數據的規律，這在統計學中成為密度估計，密度估計方法之一便是：聚類
聚類應用：
-
- 將公司相似的客戶分派到相同的分組，建立客戶的自然分組，從而對不同分組客戶提供特定服務，或者可以發現“離群點”，開拓新市場
- 圖像壓縮：會丟失圖像細節，但贏得存儲和傳送圖像空間
- 生物信息：序列對比，聚類可以學習結構域，即蛋白質中反復出現的氨基酸序列，若將氨基酸類比為字母，則結構域是單詞，蛋白質是句子，學習結構域就是挖掘句子中頻繁出現的一串字母
5 增強學習
國際象棋：規則少，但每局包含大量移動，每種狀態又都有大量可行的移動，即單個移動並不重要，只有能戰勝對手的移動序列中的每一個移動才是好的
機器人導航和足球機器人都類似國際象棋，這類問題還包含不完整和不可靠信息，依賴設備能否輸出完整的信息，所以機器人總是處於部分可觀測狀態，這種不確定性因素也因考慮在內