一. 机器学习

如果一个程序P，在执行某个任务的时候，能够利用现有的经验，不断的去完善与提高既定任务的性能，那么我们就称这个程序P是具有学习能力的。

机器学习的三要素：任务处理，经验数据，性能

1. 经验

我们习惯上把已知数据看成经验：客观世界中所有的信息都是可以进行数据量化的，也就是可以看做经验数据

信息的向量化：我们在描述一个客观事物时候一般会用一个向量来描述，在这个向量中的每一个值就可以代表事物的一个特征，多个值构成的向量就可以代表这个事物，我们就称这个向量为特征向量

2. 任务

利用现有的经验数据，根据特定的算法模型，对客观数据进行归纳总结进而对未知的特征进行预测，或者分析。

根据数据特点和算法的不同我们可以把机器学习分为监督学习和无监督学习。

2.1 监督学习

监督学习的主要任务：由已知数据来预测未知数据

数据特点：监督学习的经验数据分为两部分，即特征数据和标签数据

根据标签的不同可以把监督学习分为分类问题和回归问题

分类问题：预测目标是未知数据的类别； 标签是就是类别，类别是离散的，明确的，没有相互关联的

回归问题：预测的目标是未知特征具体数据值；标签就是数据，数据连续的，明确的，有相互关联的

监督学习的算法

k-近邻
线性回归
逻辑斯蒂
朴素贝叶斯
决策树
支持向量机
集成学习

2.2 无监督学习

无监督学习：并不是对客观特征进行预测，而是处理客观特征的数据

数据特点：只有特征没有标签

技术手段：聚类、特征降维等

3. 性能

性能评测：

分类问题：准确率、精确率、召回率等

回归问题：均方误差、平局绝对误差等

二. 深度学习

全连接神经网络、卷积神经网络、循环神经网络等