機器學習從學習的種類來說，可以分為兩種：

1.無監督學習，即人們獲得訓練的向量資料後在沒有標籤的情況下嘗試找出其內部蘊含關係的一種挖掘工作。

2.有監督學習，即每一個樣本都有著明確的標籤，最後總結出這些訓練向量與標籤的對映關係。

1.1 聚類

定義：是一種典型的“無監督學習”，是把物理物件或者抽象物件的集合，分組為由彼此類似的物件組成的多個類的分析過程。

直觀理解：就是分類，例如人看到事物，會分為車、蟲子、建築等種類，而車又可以分為轎車、卡車、麵包車等。

用機器做聚類學習時，每種演算法都對應有相應的計算原則，可以把輸入的各種看上去彼此“相近”的向量分在一個群組中去。然後聚類之後得到的孤立點，就是可以重點研究的物件

1.2 迴歸

定義：就是“由果索因”，通過大量的事實所呈現的樣態，推斷出原因或者客觀蘊含的關係式如何的。

機器學習中，常用的迴歸的有兩大類：

1.線性迴歸：就是在觀察和歸納樣本的過程中，認為向量和最終的函式值呈現線性的關係。

2.非線性迴歸：其中應用最多的是邏輯迴歸，而邏輯迴歸更像是分類，在這種模型中，觀察者假設的前提是：y只有兩種值：一種是1，一種是0（或者說“是”和“否”）

1.3 分類

定義：即給一個輸入，得出一個輸出標籤的演算法。

1.4 綜合應用

垃圾郵件的分揀、新聞的自動分類、攝像頭識別車牌號、手寫識別。

1.5 小結

一言以蔽之，機器學習就是人類定義一定的計算機演算法，讓計算機根據輸入的樣本