一、什么是机器学习

机器学习指的是，在没有明确设置的情况下，使得计算机拥有自我学习能力的领域。

二、监督学习和无监督学习

2.1 监督学习

监督学习是指，我们给予算法一个数据集，其中的数据包含了若干个标签。一个例子就是给出1万张水果的图片，并且每一张图片都标记好了该图片属于哪种水果。换言之，每个例子都会有一个“正确的答案“，用于告诉计算机该数据例应该得出什么样的结果。还有一个例子就是，给予一个房子面积和价格的数据集，这个数据集可以组成一个离散的图表，其中数据是房屋的大小，而价格就是标签

那么机器学习算法的任务就是根据已有的离散的房价数据，组织出一条连续的曲线。也就是说，从已有的数据中推测出更多的数据的答案。用更专业的属于来说，这是一个回归问题，也就是试图用离散的数据预测出连续的属性

另外还有一个例子是，给出一个数据集，里面是若干乳腺肿瘤的大小以及该肿瘤是否是恶性肿瘤。根据该数据集推算出某个大小的肿瘤是恶性的还是良性的。用专业术语来说，这是一个分类问题，指的是我们需要预测的是一个离散的输出值。

当然，对一个目标的预测往往不能只依靠一个属性，也可以加入多个属性对结果进行预测，比如结合病人的年龄和肿瘤的大小进行预测

2.2 无监督学习

在无监督学习中，数据集中的数据不会包含任何的标签或者有着相同的标签，程序需要自行地将数据进行处理，而无监督学习算法可能判定若干个数据为一个簇

比如上述例子，程序可以将距离较近的点视作为一个簇，上图可以氛围两个簇，这又称之为聚类算法。

无监督学习的应用场景有很多，比如说在大型数据中心中，使用无监督学习找出哪些服务器数据交换更频繁，并且将他们放在一块，在社交网络分析中，可以通过各平台的关注和交流频率，划分出一个个用户簇，这些用户簇内的用户大概率是相互认识的，即使可能有些人你并没有关注他。

另外一个经典问题是鸡尾酒会问题，该问题是，在一个有两个人的鸡尾酒舞会上聊天，他们每个人身上都有一个麦克风，在A
的麦克风录制的音频中，响度较高的为A说的话，响度较低的为离A有一定距离的B说的话。使用无监督学习能够将两个说的话分离开来，这也是在复杂声音环境下的麦克风降噪算法的原理