一、机器学习应用

    1、机器学习技术正在支撑着各类搜索引擎（尤其是贝叶斯学习技术）等

    2、机器实际上是一个应用驱动的学科，其根本的驱动力是：“更多、更好地解决实际问题”。由于近20年的飞速发展，机器学习已经具备了一定的解决实际问题的能力，似乎逐渐开始成为一种基础性、透明化的“支持技术、服务技术”。
    基础性：在众多的学科领域都得以应用（“无所不在”）
    透明化：用户看不见机器学习，看见的是防火墙、生物信息、搜索引擎；（“无所不在”）
    “机器更好用了”(正如CALO的一些描述：“you won’t leave home without it”；”embodied as a software environment that transcends workstations,PDA’s, cell phones, …”)

二、机器学习的主要策略与基本结构 

    1、机器学习的主要策略 
    2、机器学习系统的基本结构 

      

三、学习问题的标准描述

    1、定义

    如果一个计算机针对某类任务T，用P来衡量性能，根据经验E来自我完善，那么我们称这个计算机程序在从经验E中学习，针对某类任务T，它的性能用P来衡量。

    2、西洋跳棋学习问题的解释：

 E，和自己下棋
 T，参与比赛
 P，比赛成绩（或赢棋能力，击败对手的百分比）

   3、手写识别学习问题

   4、机器人驾驶学习问题

四、有监督学习与无监督学习

    1、有监督学习    

  在样本标签已知的情况下，可以统计出各类训练样本不同的描述量，如其概率分布，或在特征空间分布的区域等，利用这些参数进行分类器设计，称为有监督的学习方法。

    2、无监督学习

然而在实际应用中，不少情况下无法预先知道样本的标签，也就是说没有训练样本

因而只能从原先没有样本标签的样本集开始进行分类器设计，这就是通常说的无监督学习方法

        对一个具体问题来说有监督与无监督的作法是不相同的