学习完成了吴恩达的机器学习课程，并使用Octave完成了代码的实现，希望接下来能把学习的笔记整理成文字，并尝试用Python将算法再现。
第0课 机器学习基础
什么是机器学习，吴老师介绍了目前相对较为规范的一个定义，我试着用自己觉得比较顺口的语言来进行表述：
一个程序利用经验E进行学习，并在完成任务T的过程中，其质量达到了性能测量P。于是便可以说，该程序利用经验E在处理任务T的过程中，通过性能测量P显示出处理能力得到提升。
以学习下棋为例，对于一个一开始完全不知道下棋规则的程序，人类历史上所有的棋局都可以作为训练它的经验E，任务T则是下棋对战，而性能测量P则是程序对战获胜的次数（或者说是胜率）。
机器学习主要可以分为两大类，监督学习和非监督学习。 在监督学习中，用于训练模型的经验E数据均是包含标签的数据，而标签这个概念可以理解为是对每一个样本所做的标记。我们可以使用很多特征来描述样本，而每一组特征描述都会对应一个特征。因此在监督学习的训练数据集中，既包含特征数据，也包含对应的标签数据。 监督学习又可以继续分为两类：
- 回归问题：基于训练数据，针对一组新的特征预测一个连续值。
- 分类问题：基于训练数据，利用特征预测一个离散值。不同的离散值代表不同类型。
在非监督学习中，经验E均为不包含标签的数据，模型需要能够在学习获得这些数据的内在结构。非监督学习最典型的问题就是聚类问题，即给定一组数据，按照需求将这些数据自动聚合为特定数量的类型。
