学习的种类
1.监督学习 
（1）定义：指有求知欲的学生从老师那里获取知识、信息，老师提供对错指示、告知最终答案的学习过程。
在机器学习中，计算机 = 学生，周围的环境 = 老师。
（2）最终目标：根据在学习过程中获得的经验技能，对没学习过的问题也可以做出正确解答，使计算机获得这种泛化能力。
（3）应用：手写文字识别、声音处理、图像处理、垃圾邮件分类与拦截、网页检索、基因诊断、股票预测等。
（4）典型任务：预测数值型数据的回归、预测分类标签的分类、预测顺序的排列
（5）我的理解：计算机在正确输出的不断更正和指引下，不断提高自己分析和解决问题的正确性。
2.无监督学习 
（1）定义：指在没有老师的情况下，学生自学的过程。
在机器学习中，计算机从互联网中自动收集信息，并获取有用信息。
（2）最终目标：无监督学习不局限于解决有正确答案的问题，所以目标可以不必十分明确。
（3）应用：人造卫星故障诊断、视频分析、社交网站解析、声音信号解析、数据可视化、监督学习的前处理工具等。
（4）典型任务：聚类、异常检测。
（5）我的理解：计算机从网络中获取有用的信息。
3.强化学习 
（1）定义：指在没有老师提示的情况下，自己对预测的结果进行评估的方法。通过这样的自我评估，学生为了获得老师的最高价将而不断的进行学习。
强化学习被认为使人类主要的学习模式之一。
（2）最终目标：使计算机获得对没学习过的问题也可以做出正确解答的泛化能力。
（3）应用：机器人的自动控制、计算机游戏中的人工智能、市场战略的最优化等。
（4）典型任务：回归、分类、聚类、降维。
（5）我的理解：与监督学习不同的是，强化学习没有正确输出的引导，也就是没有正确的答案；与无监督学习不同的是，强化学习需要对获取到的信息进行自我评估。
典型任务
1.回归 
（1）定义：指把实函数在样本点附近加以近似的有监督的函数近似问题。
（2）我的理解：对于一组输入x，通过函数f计算，有一组正确的输出y，计算机通过函数f’计算，得出自己的输出y’，计算机通过比较自己的输出和正确输出的过程中，改进自己的f’，使其接近于真真实函数f（在计算机比较自己的输出与正确输出的过程中，会产生噪声）。
2.分类 
（1）定义：指对于指定的模式进行识别的有监督的模型识别问题。
（2）我的理解：与回归类似，但是输出的是对输入的分类。
3.异常检测 
（1）定义：指寻找输入样本中所包含的异常数据的问题。
（2）我的理解：计算机通过对一组数据的分析，将中间的异常数据剔除。若已知异常数据，则与有监督的分类类似；一般情况下并不知道异常数据，多采用密度估计的方法，剔除偏离密度中心的数据。
4.聚类 
（1）定义：与分类问题相同，也是模式识别的问题，但是属于无监督学习的一种。
（2）我的理解：与分类类似，但是只有输入，需要计算机自己分出数据属于哪一簇（聚类中，用簇代替类别）。
5.降维 
（1）指从高维度数据中提取关键信息，将其转换为易于计算的低维度问题进而求解。
若输入输出均已知，属于监督学习；若只有输入已知，属于无监督学习，注意在转换为低维度的样本后，应保持原始输入样本的数据分布性质，以及数据间的近邻关系不发生变化。
（2）我的理解：计算机通过对高维度数据降维，使得其维度降低但是数据特征和数据间的关系不变，便于分析和解决。
机器学习的工作方式
①选择数据：将你的数据分成三组：训练数据、验证数据和测试数据
②模型数据：使用训练数据来构建使用相关特征的模型
③验证模型：使用你的验证数据接入你的模型
④测试模型：使用你的测试数据检查被验证的模型的表现
⑤使用模型：使用完全训练好的模型在新数据上做预测
⑥调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现
五大流派
①符号主义：使用符号、规则和逻辑来表征知识和进行逻辑推理，最喜欢的算法是：规则和决策树
②贝叶斯派：获取发生的可能性来进行概率推理，最喜欢的算法是：朴素贝叶斯或马尔可夫
③联结主义：使用概率矩阵和加权神经元来动态地识别和归纳模式，最喜欢的算法是：神经网络
④进化主义：生成变化，然后为特定目标获取其中最优的，最喜欢的算法是：遗传算法
⑤Analogizer：根据约束条件来优化函数（尽可能走到更高，但同时不要离开道路），最喜欢的算法是：支持向量机