课程链接为：https://ai.deepshare.net/detail/p_5df99dfe8c83a_qMnAGRok/6其中有详细的资料包括数据和代码

吴恩达课程链接为 https://www.bilibili.com/video/BV164411b7dx?p=2

通常来说机器学习的组成部分是任务T，经验或数据E，评估标准P。

一、一个简单的例子

我们的邮箱会自动的对邮件分成垃圾邮件和正常邮件两类。那么从机器学习的视角来看，对邮件进行（垃圾邮件和非垃圾邮件）分类就是任务 T。我们的经验或者数据 E 就是已经分好类的邮件（包括邮件和相应的标签）。我们的评估标准可以是分类的准确率即分类正确的邮件数量/总邮件数量。

二、工具和使用工具

吴恩达老师认为，仅仅知道或了解一些机器学习算法就相当于了解了一些工具，然而如何使用这些工具其实更为重要。吴老师举过一个木匠教学的例子，木匠会跟你说这是榔头，这是螺丝刀，这是锯子，好了你自己去做东西吧，祝你好运。这显然不是一个好的教学，所以仅仅知道这些工具是远远不够的，我们需要了解如何去使用这些工具。

三、线性回归

下图是一个地区的的房价散点图，横坐标表示房屋的面积，纵坐标为房屋的售价

所谓回归指的是根据我们的特征（这里就是房屋面积）我们建立一个模型能够对我们的目标变量进行估计或者说预测，而我们的目标变量是连续的变量，这里指的是房价。

所谓线性，指的是我们建立的模型是$房价=\theta_0+\theta1*面积$房价=θ0​+θ1∗面积，这个模型只要参数$\theta_0,\theta_1$θ0​,θ1​确定了，模型也就确定了，即我们需要找到一条直线或者说找到比较好的$\theta_0,\theta_1$θ0​,θ1​使得我们估计的房价和真实的房价足够接近。

四、分类

下面是一个乳腺癌的一个分类问题，之所以称之为分类问题，是因为我们的目标变量或者说我们的预测变量是离散的，在这个问题中就是良性\恶性肿瘤（其中1代表恶性，0代表良性 ）。

我们可以将数据全部投影到横轴（肿瘤大小 Tumor Size）上，这里圆圈代表良性肿瘤，叉代表恶性肿瘤。

前面都是用一个特征来判断一个样本是不是恶性肿瘤，现在我们再加入一个特征（年龄）：

同样圆圈代表良性肿瘤，叉代表恶性肿瘤。我们可以画一条直线来将这两类样本进行划分，也就是我们所说的线性模型。

五、监督学习

所谓监督学习，就是我们的数据是有标签的，或者说我们处理的任务是有标准答案的，例如上面的房价估值问题，数据中不仅有房屋的面积还有其对应的房屋价格。