目录会根据我的学习进度而更新，给自己列一个大纲以系统地看待整个学习过程。
#学习资料来源
学习的是Coursera上吴恩达（Andrew Ng）老师的机器学习视频（课程传送门，最近在“最强大脑”上看到他了好激动啊，原来他去做百度大脑了呀），笔记根据此系列视频整理。笔记顺序不一定与原教程一样，希望加入些自己的思考。
同时使用了网上找到的黄海广博士的对于吴大大视频教程的笔记（传送门）。因为我一开始看视频没做笔记，现在忘得差不多啦，现在打算写个笔记，重新去看视频再整理太麻烦，网上竟然找到这一神器，视频内容全都用中文写在里面了，棒！（不过还是不太好意思发邮件给他自我介绍。。。先暂时做伸手党吧。。。）
#机器学习分类
##1.监督学习（Supervised Learning） 给定数据集，数据集的每个样本均有提供“正确答案”，根据这些样本进行预测。例子： 垃圾邮件分类：根据已知的垃圾邮件特征判断新邮件是否垃圾； 判定肿瘤是否恶性：根据已知恶性、良性特征判断病人肿瘤情况。 ###1)回归问题（Regression） 给定数据集中每个样本的正确答案，运用到机器学习中，推出一个连续的输出。 如线性回归（Linear Regression）。 ###2)分类问题（Classification） 给定数据集中每个样本的正确答案，运用到机器学习中，推出一组离散的结果。 如逻辑回归（Logistic Regression）。 注意：逻辑回归算法是分类算法,我们将它作为分类算法使用。有时候可能因为这个算法的名字中出现了“回归”使你感到困惑，但逻辑回归算法实际上是一种分类算法。
##2.无监督学习（Unsupervised Learning） 只给定数据集，每个样本没有标签、没有提前告知的“正确答案”，要求在数据中自动找出某种结构。例子： 新闻分类：自动将同一主题的新闻分类； DNA检测：判断每个个体是否有一个特定基因。 辨识人声：从一段音频分出每个人的音轨。 （待更新）