Ng第一课：引言(Introduction)
Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。
在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。
在本课中，您将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，你会不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。
本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括：
（一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）
（二）无监督学习（聚类，降维，推荐系统，深入学习推荐）
（三）在机器学习的最佳实践（偏差/方差理 论；在机器学习和人工智能创新过程）
本课程还将使用大量的案例研究，您还将学习如何 运用学习算法构建智能机器人（感知，控制），文本的理解（Web搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。
第一课、 引言(Introduction)
1.1 欢迎
1.2 机器学习是什么？
1.3 监督学习
1.4 无监督学习
1.2 机器学习是什么？
机器学习得两种定义：
-
在进行特定编程的情况下，给予计算机学习能力的领域。(古老、非正式)
- 一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值 P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升。(Tom Mitchell of CMU)
机器学习目前存在几种不同类型的学习算法，诸如强化学习和 推荐系统等各种术语都是机器学习算法的一员，但学习算法最常用两个类型就是监督学习、无监督学习。监督学习这个想法是指，我们将教计算机如何去完成任务， 而在无监督学习中，我们打算让它自己进行学习。
1.3 监督学习
监督学习：对于数据集中的每个数据，都有相应的正确答案（训练集），算法就是基于这些来做出预测。
监督学习分为“回归”和“分类”问题：
回归这个词的意思是，我们试着推测出(根据以前的数据集)一个连续函数值的输出(比如房价)。
分类指的是，我们试着推测出(根据特征)离散的输出值(比如肿瘤0 或 1 良性或恶性)
在一些机器学习问题中，可能会遇到不止一种特征。如果想用无限多种特征，好让你的算法可以利用大量的特征来做推测，以后会讲一个算法，叫支持向量机，里面有一个巧妙的数学技巧，能让计算机处理无限多个特征。
1.4 无监督学习
无监督学习中的数据没有任何的标签或者是有相同的标签，却能找到其中得某种结构。
无监督学习有“聚类算法”和“鸡尾酒算法”
聚类算法：没有提前告知这个算法怎么分类，只是告诉算法这儿有一堆不知道什么的数据，不知道里面都有哪些类型 ，但是请问可以自动的找到这些数据中的类型吗？ 然后自动的按得到的类型把这些个体分类。应用例如谷歌新闻、基因芯片等等。
鸡尾酒算法：在混沌的环境中发现结构类型。例如把两个录音输入这种算法中，这个算法能找出其中蕴含的分类，然后分离出这两个被叠加到一起的音频源。
完成这个音频处理应用似乎需要你去写大量的代码或链接一堆的合成器 JAVA 库，处理音频的库，看上去绝对是个复杂的程序。事实上，这个算法对应你刚才知道的那个问题(鸡尾酒宴问题)的算法可以就用一行代码来完成。
[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x')
不是说这个是简单的问题，研究人员花费了大量时间才最终实现这行代码。但它说明了当你使用正确的编程环境，许多学习算法是相当短的程序。我们打算使用 Octave 编程环境，Octave是免费的开源软件，许多学习算法变得只有几行代码就可实现。
你也可以用 Matlab。事实上，在硅谷里，对大量机器学习算法，我们第一步就是建原型，在 Octave 建软件原型，因为软件在 Octave 中可以令人难以置信地、快速地实现这些学习算法。这里的这些函数比如 SVM（支持向量机）函数， 奇异值分解，Octave 里已经建好了。如果你试图完成这个工作，但借助 C++或 JAVA 的话， 你会需要很多很多行的代码，并链接复杂的 C++或 Java 库。
在下一个视频中，我们将深入探究特定的学习算法，开始介绍这些算法是如何工作的，和如何来实现它们。
