本内容按照吴恩达公开课《Machine Learning》的 Lecture Slides 进行分类，每一个H1标题对应一个Lecture Slide，每一个H2标题对应Lecture Slide中的一个小章节。

本内容是课程的简化总结，适合已经了解机器学习基本概念的人进行回顾以及查漏补缺。

1 机器学习简介

1.1 什么是机器学习

Arthur Samuel (1959) 总结：机器学习是研究不通过明确编程赋予计算机学习能力的领域

Tom Mitchell (1998) 定义了机器学习问题：如果一段计算机程序在某个任务T上的表现P通过经验E发生了提升，那么就可以认为这段程序学习到了这个任务T上的经验E。

编者注1：后来我们就知道任务T就是学习目标，表现P就是损失函数/评价指标，经验E就是训练数据。

编者注2：为什么评价指标不能用来当作损失函数？因为一个指标要用作损失函数必须在数学上可以进行优化，不可进行优化的指标只能拿来当评价。

本课程将会讲：

• 监督学习
• 非监督学习
• 强化学习，推荐系统等
• 实操学习算法过程中的建议

1.2 监督学习

讲了两个监督学习的例子：

• 回归：房价预测（连续）
• 分类：肿瘤恶性良性区分（非连续）

1.3 非监督学习

讲了一些案例：

• 从大量Google新闻中提取出某个相同主题的新闻

• 从不同基因的人中找出具有类似基因的人

• 服务器集群管理，社交网络分析（社群发现），市场用户划分，天文数据分析