1. 机器学习概述
（1） 
(2)
(3) 机器学习指：对于某类任务T和性能度量P，一个计算机程序被认为可以从经验E中学习是指，通过经验E改进后，它在任务T上由性能度量P衡量的性能有所提升。
机器学习中根据学习的方式不同可以主要可以细分为：
1 监督学习（Supervised Learning）：监督学习的输入是标注分类标签的样本集，通俗地说，就是给定了一组标准答案。监督学习从这样给定了分类标签的样本集中学习出一个函数，当新的数据到来时，就可以根据这个函数预测新数据的分类标签。
2 半监督学习（Semi-Supervised Learning）：是将监督学习和非监督学习结合的一种学习方式。半监督学习训练中含有部分标记数据和未标记数据构成。
3非监督学习（Unsupervised Learning）：现实中因为缺乏先验知识，难以人工的标注类别或者人工的进行标注成本太高。自然的希望通过直接使用未知的训练样本解决模式识别中的各种学习。在训练含有很多特征的数据集，学习到数据集上有用的结构性质。
4强化学习（Reinforcement Learning）：主要通过自身的经历学习，在行为-评价环境中获得知识。
5弱监督学习（Weakly Supervised Learning）：弱监督学习的提出也是因为数据的标注成本过高，很多任务很难获得全部真值标签。弱监督是相对于强监督学习而言，主要指标签label的强弱区分。目前主要关注三种弱监督学习类型。