一、無監(jiān)督學習球昨、監(jiān)督學習和強化學習
監(jiān)督學習：在給定的一些數(shù)據(jù)下尔店，已經(jīng)告訴你這些數(shù)據(jù)的特性，并且讓你分類，然后給你一個數(shù)據(jù)讓你根據(jù)圖來推出其他的數(shù)據(jù)（給定一個坐標系嚣州，上面有相應的圖像鲫售，給你x數(shù)據(jù)讓你預測y的值）。如分類
無監(jiān)督學習：給你一組數(shù)據(jù)该肴，這些數(shù)據(jù)你并不知道分類是什么情竹，你需要根據(jù)結構自己劃分，并沒有標準答案沙庐。
無監(jiān)督學習應用：如聚類，
能將像素分類佳吞，對于計算機識別圖像很有用處拱雏，
將嘈雜的一對聲音經(jīng)過算法的處理，將聲音分離
文本處理
ICA算法用MATLAB一行代碼表示：
強化學習：給你一些正確的決策（強化學習的關鍵是定義什么是好行為什么是壞行為）底扳，通常每一次做了好行為就給他獎勵铸抑，壞行為就給相應的懲罰，漸漸地機器可以自動判斷決策的正確與否衷模。
例如汽車自動尋路鹊汛，機器狗自動爬巖石，機器蛇自動爬越障礙物等等阱冶，都是在強化學習下不斷地測試最后得到正確的決策來實現(xiàn)的刁憋。
二、回歸
例子：汽車一開始受人操控行駛在路面上木蹬，機器根據(jù)司機行駛這條路對應的方向不斷采集數(shù)據(jù)至耻，最后達到監(jiān)督學習的目的，得到回歸的結果镊叁，汽車就能自動進行方向判斷和駕駛了尘颓。
常用公式字符：
m=#tranining examples
x="input" variable/features(特征變量)
y="output" variable/"target" variable(目標變量)
（x,y）training example
i(th) training example = (x(i),y(i)) (樣本列表的第i行)
5ce0d8faa69d249494
5ce0d9e640f4d55914
n=#features(特征值的數(shù)量)
