机器学习Machine Learning
定义（Mitchell 1997）：对于某类任务T和性能量度P，一个计算机程序被认为可以从经验E中学习，通过经验E改进后，它在任务T上由性能度量P衡量的性能有所提升。
（1）任务T：学习过程本身不能算是任务。学习是我们所谓的获取完成任务的能力。通常机器学习任务定义为机器学习系统如何处理样本。（样本：收集到的已经量化的特征的集合 x∈R＾n）
机器学习常见任务列举：
分类，回归，转录，机器翻译，结构化输出，异常检测，合成和采样，去噪，缺失值填补，密度故居等
（2）性能度量P：评估机器学习算法的能力。
（3）经验E：大部分学习算法可以被理解成在整个数据集上获取经验。
根据学习过程中的不同经验，机器学习可以大致分为无监督（unsupervised）算法和监督(supervised)算法
无监督学习：训练含有很多特征的数据集，然后学习出这个数据集上有用的结构性质。（教会计算机做一些事情）
监督学习：训练含有很多特征的数据集，不过数据集中的样本都有一个标签（label）或目标（target）。（计算机自己做一些事情）
监督学习的分类：回归(Regression）、分类（Classification)
