每个人都能理解的机器学习，每个人都能掌握的人工智能。无论你从事何种职业，在这里你都可以学到新知识。

什么是监督学习？

用户向算法提供成对的输入和期望输出，算法会找到一种方法，使给定输入产生期望输出。

监督学习算法是从输入-输出对中学习的机器学习算法。之所以称为“监督”算法，是因为每个用于训练算法的样本都有一个期望输出，就像有一位“导师”在指导算法。尽管创建一个包含输入和期望输出的数据集通常耗时且费力，但监督学习算法易于理解和评估。如果你的应用程序可以被看作是一个监督学习任务，并且你能创建包含期望输出的数据集，那么机器学习很可能能解决你的问题。

例如：识别信用卡交易中的欺诈行为

这里的输入是信用卡交易记录，输出是该交易是否可能是欺诈。假设你是信用卡发行方，收集数据集意味着需要记录所有的交易，并标记出是否有任何交易被报告为欺诈。

什么是无监督学习？

在无监督学习中，只有输入数据是已知的，没有为算法提供期望输出。尽管这种算法有许多成功的应用，但理解与评估这些算法往往更加困难。

举例：确定一系列博客文章的主题

如果你有很多文本数据，可以对其进行聚类分析，找到其中的共同主题。事先你可能不知道有多少个主题，也不知道具体是什么主题。因此，输入数据是未知的。

机器学习的基础是数据信息

在机器学习中，每个个体或每条记录被称为样本或数据点，而用来描述这些个体的属性称为特征。

数据信息是机器学习的核心，如果没有数据信息，任何机器学习算法都无法做出预测。

举个例子，如果你只有病人的姓氏这一项特征，那么任何算法都无法预测其性别。因为这个信息并没有包含在数据中。如果你增加另一个特征，比如病人的名字，那么预测的准确性会提高，因为通常可以通过名字判断性别。

今天的分享到此结束，如果你感兴趣，欢迎继续关注后续内容。