http://hi.baidu.com/group609/item/00e99d1597f986e49d778a69
1.什么是机器学习？
从一些经验（E）中学习，来完成某种任务（T），通过某种评价方式（P）判断，发现perform得更好了，就算是学习了。因此对于机器学习，需要三方面的内容，一些经验+一个任务+一个评价方式。它能够教会计算机去做一些事情，但是！但是！这些事情却不是 hard code的，不需要显示地编程实现其中所有的逻辑，而是通过数据来建模。
PS：对应到我们的实验中就是E就是训练数据，T就是任务，可以是预测，可以是分类，可以是聚类，可以是关联规则挖掘。P一般采用precision，recall，f-measure三个数值来表征，分别代表准确度，查全率，以及两者的调和平均值。
2.我们为什么需要机器学习？
第一个例子，一个房地产公司根据以往的销售数据，和新房子的大小来预测一个新房子的价格，那么它可以生成一个房子大小和房子价格的函数。也就是说，x是房子大小，y是房价。普通的函数啊，拟合啊都可以很好的完成这个任务。但是，如果需要根据一个房子的大小，装修，地段，开发商，地理位置等一系列的数据来预测房子的价格的话，我们已经不能在3维以下的空间解决这个问题了，这个时候，函数和拟合就显得无能为力了，而机器学习却可以完成这些任务。
第二个例子，一个狗狗跳舞，我们评价跳得好不好。那么函数x是一个一个的狗狗，y是好，或者不好。由于函数值过于离散，我们不能用拟合来预测中间值。那通过什么来判断狗狗跳舞跳得好不好呢？用机器学习
第三个例子，一个机器人，我们希望它和我们一样一样说话，学习，生活。但是生活中的场景千千万万，如果hard code编程实现实在是一件非常非常困难的事情。那么，机器人就不能做了么？可以的，通过机器学习
PS：高维属性之间的关系特别适合用机器学期完成；函数值离散的情况特别适合机器学习；实例特别多的任务
3.什么是监督学习？什么是无监督学习？
上文中提到的经验（E），也就是训练数据，如果数据本身能够知道什么是正确的答案，那么用这些数据学习就叫做监督学习。比如：一筐苹果，每个苹果都有标签，标的好苹果，烂苹果，我们对着标签找好苹果的共同特征，这个就是监督学习。同样是这篮子苹果，把标签撕了，尽管我们能够通过苹果的长相判断大致是个好苹果还是烂苹果，但是苹果本身没有标注自己是好是烂，我们只能大致归类，这种就是无监督学习。
4.强化学习reinforcement learning？
强化学习(reinforcement learning，又称再励学习，评价学习)是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用。但在传统的机器学习分类中没有提到过强化学习，而在连接主义学习中，把学习算法分为三种类型，即非监督学习(unsupervised learning)、监督学习(supervised leaning)和强化学习。
如果表现好，就评价为“good dog”，否则为“bad dog”，重要的是如何找到这个评价标准。
总结：
1、机器学习中有很多方法，关键是如何用好这些方法。就像给一个工匠很多工具，关键是要教会他使用这些工匠。