看了tensorflow的视频，但是不明白机器学习的真实含义，所以今天就去哔哩哔哩找了一些关于机器学习的视频，今天看了五节，描述一下我观后的心得体会。
1、机器学习的定义：
机器学习领域的创始人Arthur Samuel（亚瑟·塞缪尔）早在1959年就给机器学习（Machine Learning，ML）下了定义：机器学习是这样的一个研究领域，它能让计算机不依赖确定的编码指令来自主的学习工作。
Arthur Samuel不仅仅是给ML下了定义，他还开发了一个机器学习的系统，能够通过跟人下跳棋来学习提升机器自身的下跳棋的水平，通过成千上万次的学习之后Arthur Samuel的ML机器能够和Arthur Samuel的下棋水平相当了。
现在看来好像这个程序平平无奇，但你要想想那是1959年，那时候没有显示器、没有高级编程语言，我们的机器学习领域的开山鼻祖就靠汇编语言和一堆发光管开创了机器学习这样一个NB的流派，真让人叹服。
到了1998年，Tom Mitchell对机器学习的定义做了更好的定义。引入了三个概念：经验Experience（E）、任务Task（T）、任务完成效果的衡量指标Performance measure（P）。有了这三个概念，机器学习的定义可以更加严谨：就是在有了经验E的帮助后，机器完成任务T的衡量指标P会变得更好。
2、机器学习可以分为两类：监督学习与无监督学习。
监督学习可以分为：回归和分类。
回归通俗点说其实就是可以将样本案例整合到一条线上。
而分类的样本案例则是离散的。
回归的实际案例有：根据市场调研得出的数据来推算房价。
分类则有根据数据（肿瘤厚度、肿瘤大小、患者年龄）等数据来判断肿瘤是否是良性。
无监督学习：我们不知道数据集中数据、特征之间的关系，而是要根据聚类或一定的模型得到数据之间的关系。
无监督学习的例子：Google浏览器将没填搜集到的新闻，根据标题自动分块。
推荐大家去哔哩哔哩看一下大佬的视频：https://www.bilibili.com/video/BV164411b7dx?p=7