在讲机器学习之前，我们首先通过了河狸先天听到水声就会建筑水坝的例子，知道我们机器学习的目的也是想让机器学会学习的能力，而不仅仅是像普通机器人一样，只会操作已经预设好的规则。
2.机器学习的步骤在整个machine learning framework整个过程分成了三个步骤。
第一个步骤就是找一个function，
第二个步骤让machine可以衡量一个function是好还是不好，
第三个步骤是让machine有一个自动的方法，有一个好演算法可以挑出最好的function。
左边这个部分叫training，就是学习的过程；
右边这个部分叫做testing，学好以后你就可以拿它做应用。
3.机器学习的相关技术我们可以看到，机器学习分为监督学习，半监督学习，无监督学习，迁移学习和强化学习。
3.1 监督学习regression：通过training data训练集，找到一个function，输出一个scalar。
claasification:Regression和Classification的差别就是我们要机器输出的东西的类型是不一样。在Regression中机器输出的是一个数值，在Classification里面机器输出的是类别。
解任务:中第一步就是要选择function set，选不同的function set就是选不同的model。
Model有很多种，最简单的就是线性模型，但我们会花很多时间在非线性的模型上。在非线性的模型中最耳熟能详的就是Deep learning。
其中， 在监督学习中，machine要解的任务上除了有Regression、classification，还有一类的问题是structured learning。structured learning 中让机器输出的是要有结构性的，比如语音转文字，图片上标注文字等。
3.2 半监督学习监督学习需要大量的training data。training data告诉找的function的input和output之间的关系。
如果我们在监督学习下进行学习，我们需要告诉机器function的input和output是什么。
这个output往往没有办法用很自然的方式取得，需要人工的力量把它标注出来，这些function的output叫做label。
少量的labelled data，但是同时又有大量的Unlabeled data.
3.3 无监督学习完全没有任何label的情况下，到底机器可以学到什么样的事情。
3.4 迁移学习减少data用量.
假设我们要做猫和狗的分类问题，我们也一样，只有少量的有label的data。
但是我们现在有大量的data，这些大量的data中可能有label也可能没有label。
但是他跟我们现在要考虑的问题是没有什么特别的关系的，我们要分辨的是猫和狗的不同，但是这边有一大堆其他动物的图片还是动画图片（凉宫春日，御坂美琴）你有这一大堆不相干的图片，它到底可以带来什么帮助。这个就是迁移学习要讲的问题。
3.5 强化学习强化学习和监督学习进行比较时，在监督学习中我们会告诉机器正确答案是什么，而强化学习不会告诉机器哪一个是最争取的答案，而是通过给输出结果打分，不断地让机器学习通过大量的得分，自己判断哪个答案最佳。
