目录：
一何谓机器学习
二常用术语
三机器学习的主要任务
四开发机器学习应用程序的步骤
五 numpy基础
===========================================================================
一何谓机器学习
[Mitchell 1997]给出了一个形式化的定义：假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。
[周志华 西瓜书]：机器学习，它致力于研究如果通过计算的手段，利用经验来改善系统自身的性能。计算机系统中，“经验”通常以“数据”形式存在，因此，机器学习所研究的主要内容，是关于计算机从数据中产生“模型”（model）算法，即“学习算法”（learing algorithm）。有了学习算法，我们把经验数据提供给它，他就能基于这些数据产生模型；在面对新的情况时（例如看到一个没剖开的西瓜），模型会给我们提供相应的判断（例如：这是一个好瓜）。如果说计算机科学是研究关于“算法”的学问，那么类似的，可以说机器学习是研究关于“学习算法”的学问。
由此，我们知道，机器学习是用来研究计算机自动“学习算法的”的学问
二常用术语
数据集（data set）
样本（sample）
特征（feature）
训练集（training set）
测试集（testing set）
标签（label）
三机器学习的主要任务
四开发机器学习应用程序的步骤
1. 收集数据：可以使用任何你可以采用的方法收集你所需要的数据，、
2． 准备输入数据：在得到数据之后，还必须保证你的数据格式符合要求，所以必要的时候，要对数据进行一定的处理
3． 分析输入数据：检查数据是否有空值或者异常值，也可以使用数据图形展示的方法观察数据
4． 训练算法：将前几步得到的格式化数据如数到算法，从中抽取只是或信息。机器学习算法从这一步正式开始。（注：如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算法相关的内容都集中在第5步）
5． 测试算法：使用第4步机器学习得到的知识信息。为了评估算法性能，必须测试算法工作的效果。对于监督学习，必须已知用于评估算法的目标变量值；对于无监督学习，也必须使用其他方法评测检验算法的成功率。如果算法表现的不好，则返回前面的步骤重新调整。
6. 使用算法：将机器学习算法封装成应用程序，执行实际任务。
五 numpy基础
NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。（百度百科）
1 在Python中导入numpy函数库：
From numpy import *
2 生成一个随机数组：
random.rand（4,4）
1 调用mat()命令，可以将数组转换为矩阵形式：
Randmat = mat（random.rand（4,4））
1 使用 .I 求逆矩阵：
Randmat.I
（注：Randmat = mat（random.rand（4,4）））
关于Python的知识，后续单独做个笔记吧~
参考文献：