本文檔的主要內(nèi)容詳細介紹的是斯坦福大學的機器學習課件資料免費下載。

　　機器學習（Machine Learning， ML）是一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

　　它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

　　為了建立供將來使用的符號，我們將使用x（i）來表示“輸入”變量（本例中也稱為輸入特征），以及y（i）來表示“輸出”或我們正試圖預測（價格）的目標變量。我們稱之為訓練示例，我們將用來學習的數(shù)據(jù)集-m個訓練示例的列表{（x（i），y（i））；i=1，。..。，M}-被稱為訓練集。注意，符號中的上標“（i）”只是訓練集中的一個索引，與十六進制無關。我們還將使用X表示輸入值的空間，Y表示輸出值的空間。在這個例子中，x= y= r。

　　為了更正式地描述監(jiān)督學習問題，我們的目標是，給定一個訓練集，學習函數(shù)h:X 7_Y，使得h（x）是對應于y值的“好”預測器。從圖畫上看，這個過程就是這樣的：

　　當我們試圖預測的目標變量是連續(xù)的，比如在我們的住房例子中，我們把學習問題稱為回歸問題。當y只能呈現(xiàn)少量的離散值時（比如asif，給定居住面積，我們想預測一個住宅是房子還是公寓），我們稱之為分類問題。