����ѧϰ��������е�һ����Ҫ������Ϊ��������ʲô��ѧϰ����������ȴ��˵��硡����ѧ�ҡ���ѧ�Һ�����ѧ�Ҷ������䲻ͬ�Ŀ�����
�������磬Langley��1996) ����Ļ���ѧϰ��“����ѧϰ��һ���˹������Ŀ�ѧ�����������Ҫ�о��������˹����ܣ��ر�������ھ���ѧϰ�и��ƾ����㷨������”����Machine learning is a science of the artificial. The field's main objects of study are artifacts, specifically algorithms that improve their performance with experience.'��
����Tom Mitchell�Ļ���ѧϰ(1997)����Ϣ���е�һЩ��������ϸ�Ľ���,���ж������ѧϰʱ�ᵽ��“����ѧϰ�Ƕ���ͨ�������Զ��Ľ��ļ�����㷨���о�”����Machine Learning is the study of computer algorithms that improve automatically through experience.��
����Alpaydin��2004��ͬʱ����Լ��Ի���ѧϰ�Ķ��壬“����ѧϰ�������ݻ������ľ��飬�Դ��Ż��������������ܱ���”��Machine learning is programming computers to optimize a performance criterion using example data or past experience.��
����������ˣ�Ϊ�˱��ڽ������ۺ���ѧ�ƵĽ�չ���б�Ҫ�Ի���ѧϰ�������壬��ʹ���ֶ����Dz���ȫ�ĺͲ���ֵġ�����˼�壬 ����ѧϰ���о����ʹ�û�����ģ������ѧϰ���һ��ѧ�ơ���Ϊ�ϸ���ᷨ�ǣ�����ѧϰ��һ���о�������ȡ��֪ʶ���¼��ܣ���ʶ������֪ʶ��ѧ�ʡ�������˵��“����”��ָ�ľ��Ǽ���������Ӽ���������Ӽ�����������������������ȵȡ�
���������ܷ�������һ���ܾ���ѧϰ�����أ�1959�����������Ѷ�(Samuel)�����һ�������������������ѧϰ�������������ڲ��ϵĶ����и����Լ������ա�4����������սʤ������߱��ˡ��ֹ���3�꣬�������սʤ������һ������8��֮�õij�ʤ���ܵĹھ����������������չʾ�˻���ѧϰ�����������������������˼�������������ѧ���⡣
���������������Ƿ��ܳ����˵ģ��ܶ�ַ�������˵�һ����Ҫ�۾��ǣ�����������ģ������ܺͶ�����ȫ��������߹涨�ģ�����������������Ҳ���ᳬ������߱��ˡ���������Բ��߱�ѧϰ�����Ļ�����˵��ȷ�ǶԵģ����ǶԾ߱�ѧϰ�����Ļ�����ֵ�ÿ����ˣ���Ϊ���ֻ�����������Ӧ���в��ϵ���ߣ���һ��ʱ��֮������߱���Ҳ��֪�����������˺���ˮƽ��
��������ѧϰ�����漸�ֶ��壺 “����ѧϰ��һ���˹����ܵĿ�ѧ�����������Ҫ�о��������˹����ܣ��ر�������ھ���ѧϰ�и��ƾ����㷨������”�� “����ѧϰ�Ƕ���ͨ�������Զ��Ľ��ļ�����㷨���о�”�� “����ѧϰ�������ݻ������ľ��飬�Դ��Ż��������������ܱ���” һ�־������õ�Ӣ�Ķ����ǣ�A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
��������ѧϰ�Ѿ�����ʮ�ֹ㷺��Ӧ�ã����磺�����ھ�����Ӿ�����Ȼ���Դ�������������ʶ���������桢ҽѧ��ϡ�������ÿ���թ��֤ȯ�г�������DNA���в�����������дʶ��ս����Ϸ�����������á�
��������ѧϰ���˹������о���Ϊ����ķ�֧�����ķ�չ���̴����Ͽɷ�Ϊ4��ʱ�ڡ�
������һ������20����50�����Ҷ��60�����Ҷ����������ʱ�ڡ�
�����ڶ�������20����60�����Ҷ��70�����Ҷ������Ϊ����ѧϰ���侲ʱ�ڡ�
�����������Ǵ�20����70�����Ҷ��80�����Ҷ����Ϊ����ʱ�ڡ�
��������ѧϰ�����½�ʼ��1986�ꡣ
��������ѧϰ�����½ε���Ҫ������������棺
����(1) ����ѧϰ�ѳ�Ϊ�µı�Եѧ�Ʋ��ڸ�У�γ�һ�ſγ̡����ۺ�Ӧ������ѧ������ѧ��������ѧ�Լ���ѧ���Զ����ͼ������ѧ�γɻ���ѧϰ���ۻ�����
����(2) ��ϸ���ѧϰ������ȡ�����̵Ķ�����ʽ�ļ���ѧϰϵͳ�о����������ر�������ѧϰ����ѧϰ����Ͽ��Ը��õؽ���������źŴ�����֪ʶ�뼼�ܵĻ�ȡ����������ܵ����ӡ�
����(3) ����ѧϰ���˹����ܸ��ֻ��������ͳһ�Թ۵������γɡ�����ѧϰ����������Ͻ��С�֪ʶ�������ѧϰ�Ĺ۵������ͨ������ϵͳSOAR�����ѧϰ�����ѧϰ����������ϵĻ��ڰ��������ѳ�Ϊ����ѧϰ����Ҫ����
����(4) ����ѧϰ������Ӧ�÷�Χ��������һ�������γ���Ʒ������ѧϰ��֪ʶ��ȡ����������Ϸ�����ר��ϵͳ�й㷺ʹ�á�����ѧϰ����ͼ��ʶ����ռ���ơ�����ѧϰ����������ۺ���ר��ϵͳ���Ŵ��㷨��ǿ��ѧϰ�ڹ��̿������нϺõ�Ӧ��ǰ���������ϵͳ��ϵ�����������ѧϰ������ҵ�����ܹ��������ܻ������˶��滮�з������á�
����(5) �����ѧϰ�йص�ѧ�����ǰ��Ծ�������ϳ�ÿ��һ�εĻ���ѧϰ���ֻ��⣬���м����ѧϰ���ۻ����Լ��Ŵ��㷨���顣
����ѧϰ��һ��ӵ����ܻ��ѧϰ���������������ǽ��������ģ�����ѧϰ��ʹ�������Ķ��٣�����ѧϰ�����õIJ��Դ����Ͽɷ�Ϊ4��——��еѧϰ��ͨ������ѧϰ�����ѧϰ��ͨ������ѧϰ��ѧϰ�����õ�����Խ�࣬ϵͳ������Խǿ��
������ʾѧϰϵͳ�Ļ����ṹ��������ϵͳ��ѧϰ�����ṩijЩ��Ϣ��ѧϰ����������Щ��Ϣ��֪ʶ�⣬������ϵͳִ�в�����������Ч�ܣ�ִ�в��ָ���֪ʶ���������ͬʱ�ѻ�õ���Ϣ������ѧϰ���֡��ھ����Ӧ���У�������֪ʶ���ִ�в��־����˾���Ĺ������ݣ�ѧϰ��������Ҫ�����������ȫ������3����ȷ�����������Ƿֱ�������3���ֶ����ѧϰϵͳ��Ӱ�졣
����Ӱ��ѧϰϵͳ��Ƶ�����Ҫ�������ǻ�����ϵͳ�ṩ����Ϣ�����߸������˵����Ϣ��������֪ʶ�����ŵ���ָ��ִ�в��ֶ�����һ��ԭ��������ѧϰϵͳ�ṩ����Ϣȴ�Ǹ��ָ����ġ������Ϣ�������Ƚϸߣ���һ��ԭ��IJ��Ƚ�С����ѧϰ���ֱȽ����״����������ѧϰϵͳ�ṩ�����������µ�ָ��ִ�о��嶯���ľ�����Ϣ����ѧϰϵͳ��Ҫ�ڻ���㹻����֮��ɾ������Ҫ��ϸ�ڣ������ܽ��ƹ㣬�γ�ָ��������һ��ԭ����֪ʶ�⣬����ѧϰ���ֵ�����ͱȽϷ��أ��������Ҳ��Ϊ���ѡ�
������Ϊѧϰϵͳ��õ���Ϣ�����Dz���ȫ�ģ�����ѧϰϵͳ�����е�����������ȫ�ǿɿ��ģ����ܽ�����Ĺ��������ȷ��Ҳ���ܲ���ȷ����Ҫͨ��ִ��Ч�����Լ��顣��ȷ�Ĺ�����ʹϵͳ��Ч����ߣ�Ӧ�豣��������ȷ�Ĺ���Ӧ���Ļ�����ݿ���ɾ����
����֪ʶ����Ӱ��ѧϰϵͳ��Ƶĵڶ������ء�֪ʶ�ı�ʾ�ж�����ʽ����������������һ������䡢����ʽ������������Ϳ�ܵȵȡ���Щ��ʾ��ʽ�������ص㣬��ѡ���ʾ��ʽʱҪ�������4�����棺
����(1)��������ǿ��
����(2)����������
����(3)������֪ʶ�⡣
����(4)֪ʶ��ʾ������չ��
��������֪ʶ�������Ҫ˵����һ��������ѧϰϵͳ������ȫȻû���κ�֪ʶ�������ƾ�ջ�ȡ֪ʶ��ÿһ��ѧϰϵͳ��Ҫ�����ijЩ֪ʶ������ṩ����Ϣ�������Ƚϣ��������裬���鲢����Щ���衣��ˣ���ȷ�е�˵��ѧϰϵͳ�Ƕ�����֪ʶ����չ�Ľ���
����ִ�в���������ѧϰϵͳ�ĺ��ģ���Ϊִ�в��ֵĶ�������ѧϰ��������Ľ��Ķ�����ִͬ�в����йص�������3���������ԡ����������ԡ�
��������ѧϰ���Եķ��ࡡ
����ѧϰ������ָѧϰ������ϵͳ�����õ��������ԡ�һ��ѧϰϵͳ������ѧϰ�ͻ�����������ɡ��ɻ��������鱾���ʦ���ṩ��Ϣ��ѧϰ������ʵ����Ϣת�������ܹ��������ʽ���������������л�ȡ���õ���Ϣ����ѧϰ�����У�ѧ����ѧϰ���֣�ʹ�õ�����Խ�٣����Խ�ʦ����������������Խ��ʦ�ĸ���Ҳ��Խ�ء�ѧϰ���Եķ�������Ǹ���ѧ��ʵ����Ϣת��������������ٺ����׳̶�������ģ����Ӽ����ӣ����ٵ���Ĵ����Ϊ�������ֻ������ͣ�
����1����еѧϰ (Rote learning)
����ѧϰ�������κ�������������֪ʶת����ֱ����ȡ�������ṩ����Ϣ�������Ѷ����������Ŧ��������ɵ�LTϵͳ������ѧϰϵͳ��Ҫ���ǵ����������������֪ʶ���������á�ϵͳ��ѧϰ������ֱ��ͨ�����ȱ�á�����õij�����ѧϰ��ѧϰ�߲����κι�����������ͨ��ֱ�ӽ��ռȶ�����ʵ�����ݽ���ѧϰ����������Ϣ�����κε�������
����2��ʾ��ѧϰ (Learning from instruction��Learning by being told)
����ѧ���ӻ�������ʦ��������ϢԴ��̿���ȣ���ȡ��Ϣ����֪ʶת�����ڲ���ʹ�õı�ʾ��ʽ�������µ�֪ʶ��ԭ��֪ʶ�л��ؽ��Ϊһ�塣����Ҫ��ѧ����һ���̶ȵ�������������������Ҫ�������Ĺ�������ʦ��ij����ʽ�������֪֯ʶ����ʹѧ��ӵ�е�֪ʶ���Բ��ϵ����ӡ�����ѧϰ��������������ѧУ��ѧ��ʽ���ƣ�ѧϰ��������ǽ���һ��ϵͳ��ʹ���ܽ��̵ܽ��ͽ��飬����Ч�ش�����Ӧ��ѧ����֪ʶ������ר��ϵͳ�ڽ���֪ʶ��ʱʹ�����ַ���ȥʵ��֪ʶ��ȡ��ʾ��ѧϰ��һ������Ӧ������FOO����
����3������ѧϰ (Learning by deduction)
����ѧ�����õ�������ʽΪ���������������ӹ����������������任�Ƶ������ۡ�����������"����"�任���ػ�(specialization)�Ĺ��̣�ʹѧ�������������п��Ի�ȡ���õ�֪ʶ������ѧϰ�������������(macro-operation)ѧϰ��֪ʶ�༭�����(Chunking)����������������������ǹ���������
����4�����ѧϰ (Learning by analogy)
�������ö�����ͬ����Դ��Ŀ�����е�֪ʶ�����ԣ�����ͨ����ȣ���Դ���֪ʶ���������Ƶ��������������ʣ��Ƶ���Ŀ�������Ӧ֪ʶ���Ӷ�ʵ��ѧϰ�����ѧϰϵͳ����ʹһ�����еļ����Ӧ��ϵͳת��Ϊ��Ӧ���µ����������ԭ��û����Ƶ������ƵĹ��ܡ�
�������ѧϰ��Ҫ����������ѧϰ��ʽ�������������һ��Ҫ���ȴ�֪ʶԴ��Դ���м��������õ�֪ʶ���ٽ���ת�����µ���ʽ���õ��µ�״����Ŀ������ȥ�����ѧϰ�������ѧ������չʷ��������Ҫ���ã������ѧ���־���ͨ����ȵõ��ġ�����������¬ɪ����Ⱦ���ͨ����ԭ�ӽṹ��Ŀ����̫ͬ��ϵ��Դ������ȣ���ʾ��ԭ�ӽṹ�İ��ء�
����5�����ڽ��͵�ѧϰ (Explanation-based learning, EBL)
����ѧ�����ݽ�ʦ�ṩ��Ŀ�����ø����һ�����ӡ��������ۼ��ɲ��������ȹ���һ��������˵��Ϊʲ����������Ŀ����Ȼ�����ƹ�ΪĿ������һ������ɲ�����ij��������EBL�ѱ��㷺Ӧ����֪ʶ������ϵͳ�����ܡ�
����������EBLϵͳ�е��Ƕ���G.DeJong����GENESIS,���ж���T.Mitchell����LEXII��LEAP, �Լ����٣�S.Minton���ȵ�PRODIGY��
����6������ѧϰ (Learning from induction)
��������ѧϰ���ɽ�ʦ���ṩij�����һЩʵ����������ѧ��ͨ�����������ó��ø����һ������������ѧϰ������������Զ����ʾ��ѧϰ������ѧϰ����Ϊ���������ṩһ���Ը����������繫��������ij�̶ֳ���˵������ѧϰ��������Ҳ�����ѧϰ����Ϊû��һ�����Ƶĸ��������Ϊ"Դ����"����ȡ�á�����ѧϰ��������ģ���չҲ��Ϊ�����ѧϰ���������˹������������Ѿ��õ��㷺���о���Ӧ�á�
������������ȡ֪ʶ�ı�ʾ��ʽ���ࡡ
����ѧϰϵͳ��ȡ��֪ʶ�����У���Ϊ����������������������������ԡ����ַ��༰������������ʵ�ֵ�֪ʶ���͡�
��������ѧϰ�л�ȡ��֪ʶ����Ҫ������һЩ��ʾ��ʽ��
����1����������ʽ����
����ѧϰ��Ŀ���ǵ���һ���̶�������ʽ�Ĵ�������ʽ������ϵ�����ﵽһ����������ܡ�
����2��������
�����þ��������������������������ÿһ�ڲ��ڵ��Ӧһ���������ԣ���ÿһ�߶�Ӧ����Щ���ԵĿ�ѡֵ������Ҷ�ڵ����Ӧ�������ÿ���������ࡣ
����3����ʽ�ķ�
������ʶ��һ���ض����Ե�ѧϰ�У�ͨ���Ը����Ե�һϵ�б���ʽ���й��ɣ��γɸ����Ե���ʽ�ķ���
����4������ʽ����
��������ʽ�����ʾΪ����—�����ԣ��ѱ���Ϊ�㷺��ʹ�á�ѧϰϵͳ�е�ѧϰ��Ϊ��Ҫ�ǣ����ɡ��������ػ���Specialization����ϳɲ���ʽ����
����5����ʽ������ʽ
������ʽ������ʽ�Ļ����ɷ������⡢ν�ʡ�������Լ��������Χ����䣬��Ƕ���������ʽ��
����6��ͼ������
�����е�ϵͳ����ͼƥ���ͼת����������Ч�رȽϺ�����֪ʶ��
����7����ܺ�ģʽ��schema��
����ÿ����ܰ���һ��ۣ������������������壩�ĸ������档
����8�����������������Ĺ��̱���
������ȡ������ʽ��֪ʶ��Ŀ������ȡ��һ����ʵ���ض����̵�������������Ϊ���ƶϸù��̵��ڲ��ṹ��
����9��������
��������Ҫ��������ѧϰ�С�ѧϰ����ȡ��֪ʶ��������Ϊһ�������硣
����10�����ֱ�ʾ��ʽ�����
������ʱһ��ѧϰϵͳ�л�ȡ��֪ʶ��Ҫ�ۺ�Ӧ����������֪ʶ��ʾ��ʽ��
�������ݱ�ʾ�ľ�ϸ�̶ȣ��ɽ�֪ʶ��ʾ��ʽ��Ϊ�����ࣺ�����̶ȸߵĴ����ȷ��ű�ʾ��??�����̶ȵ͵ľ������Ƿ���(sub-symbolic)��ʾ�������������ʽ�ķ�������ʽ������ʽ������ʽ����ܺ�ģʽ�����ڷ��ű�ʾ�ࣻ����������ʽ������ͼ�����硢������������Ƿ��ű�ʾ�ࡣ
������Ӧ��������ࡡ
��������Ҫ��Ӧ�������У�ר��ϵͳ����֪ģ�⡢�滮��������⡢�����ھ�������Ϣ����ͼ��ʶ�𡢹�����ϡ���Ȼ�������⡢�����˺Ͳ��ĵ�����
�����ӻ���ѧϰ��ִ�в�������ӳ�����������Ͽ����ֵ�Ӧ���о���������ϼ����������������룺�����������⡣
������1����������Ҫ��ϵͳ������֪�ķ���֪ʶ�������δ֪ģʽ����ģʽ������������������ȷ������ģʽ����������Ӧ��ѧϰĿ�����ѧϰ���ڷ��������������
������2�������������Ҫ����ڸ�����Ŀ��״̬,??Ѱ��һ������ǰ״̬ת��ΪĿ��״̬�Ķ������У�����ѧϰ����һ������о������ּ�����ͨ��ѧϰ����ȡ������������Ч�ʵ�֪ʶ������������֪ʶ������ʽ֪ʶ�ȣ���
�����ۺϷ���
�����ۺϿ��Ǹ���ѧϰ�������ֵ���ʷԨԴ��֪ʶ��ʾ���������ԡ���������������ԡ��о���Ա��������Լ������Լ�Ӧ������������ء�������ѧϰ����[1] ����Ϊ�������ࣺ
����1�������Թ���ѧϰ (empirical inductive learning)
���������Թ���ѧϰ����һЩ�����ܼ��ľ��鷽������汾�ռ䷨��ID3�������ɷ��ַ����������ӽ��й���ѧϰ�������Ӻ�ѧϰ���һ�㶼�������ԡ�ν�ʡ���ϵ�ȷ��ű�ʾ�����൱�ڻ���ѧϰ���Է����еĹ���ѧϰ�����۳�����ѧϰ���Ŵ��㷨����ǿѧϰ�IJ��֡�
����2������ѧϰ��analytic learning��
��������ѧϰ�����Ǵ�һ������������ʵ����������������֪ʶ���з���������Ҫ����Ϊ��
����·����������Ҫ��������ǹ��ɣ�
����·ʹ�ù�ȥ��������⾭�飨ʵ����ָ���µ�������⣬������ܸ���Ч����������֪ʶ���������ƹ���
��������ѧϰ��Ŀ���Ǹ���ϵͳ�����ܣ��������µĸ�������������ѧϰ����Ӧ�ý���ѧϰ������ѧϰ���༶�ṹ����Լ������ѧϰ�ȼ�����
����3�����ѧϰ
�������൱�ڻ���ѧϰ���Է����е����ѧϰ������һ���͵�ѧϰ�бȽ�����עĿ���о���ͨ�����ȥ�����ľ��������������ѧϰ����Ϊ���ڷ�����ѧϰ(case_based learning)�����Ʒ���ѧϰ��
����4���Ŵ��㷨��genetic algorithm��
�����Ŵ��㷨ģ�����ﷱֳ��ͻ�䡢�����ʹ���ĵ���Ȼѡ����ÿһ��̬�������������棩������������ܵĽ����Ϊһ����������Ϊ���壬������ÿһ��Ԫ�س�Ϊ��������Ŀ�꺯������Ӧ����Ȼѡ�������Ⱥ�壨����ļ��ϣ��е�ÿһ������������ۣ���������ֵ����Ӧ�ȣ��Ը������ѡ������������Ŵ��������Ӷ��õ��µ�Ⱥ�塣�Ŵ��㷨�����ڷdz����Ӻ����ѵĻ��������磬���д��������������ݡ����ﲻ�ϸ��¡�����Ŀ�겻�����Ժ;�ȷ�ض��壬�Լ�ͨ���ܳ���ִ�й��̲���ȷ����ǰ��Ϊ�ļ�ֵ�ȡ�ͬ������һ�����Ŵ��㷨���о��Ѿ���չΪ�˹����ܵ�һ��������֧�����������Ϊ���յ£�J.H.Holland����
����5������ѧϰ
�������͵�����ģ��ʵ��Ϊ�˹������磬���ɳ�Ϊ��Ԫ��һЩ���㵥Ԫ�Լ���Ԫ��ļ�Ȩ������ɡ�
����6����ǿѧϰ��reinforcement learning��
������ǿѧϰ���ص���ͨ���뻷������̽�ԣ�trial and error��������ȷ�����Ż�������ѡ����ʵ����ν�����о������������������У�ѧϰ����ͨ��ѡ��ִ�ж���������ϵͳ״̬�ı仯�����п��ܵõ�ij��ǿ���źţ������ر������Ӷ�ʵ���뻷���Ľ�����ǿ���źž��Ƕ�ϵͳ��Ϊ��һ�ֱ������Ľ��͡�ϵͳѧϰ��Ŀ����Ѱ��һ�����ʵĶ���ѡ����ԣ�������һ������״̬��ѡ�����ֶ����ķ�����ʹ�����Ķ������пɻ��ij�����ŵĽ�������ۼ������ر����
�������ۺϷ�����,�������ѧϰ���Ŵ��㷨������ѧϰ����ǿѧϰ�����ڹ���ѧϰ�����о������ѧϰ���÷��ű�ʾ��ʽ�����Ŵ��㷨������ѧϰ�ͼ�ǿѧϰ������Ƿ��ű�ʾ��ʽ������ѧϰ��������ѧϰ��
����ʵ���ϣ���Ȳ��Կɿ����ǹ��ɺ�������Ե��ۺϡ�����������ѧϰ����ֻ�й��ɺ����
������ѧϰ���ݵĽǶȿ������ù��ɲ��Ե�ѧϰ�����Ƕ�������й��ɣ���ѧϰ��֪ʶ��Ȼ����ԭ��ϵͳ֪ʶ�������̺��ķ�Χ,��ѧ����ı���ϵͳ��֪ʶ����հ�, ����������͵�ѧϰ�ֿɳ�Ϊ֪ʶ��ѧϰ;������������Ե�ѧϰ������ѧ��֪ʶ�����ϵͳ��Ч�ʣ������ܱ�ԭ��ϵͳ��֪ʶ�����̺�,����ѧ��֪ʶδ�ܸı�ϵͳ������հ�,����������͵�ѧϰ�ֱ���Ϊ���ż�ѧϰ��
����ѧϰ��ʽ����
����1���ලѧϰ(supervised learning)
�����ලѧϰ�����ڻ�еѧϰ�������ṩ�Դ�ָʾ��һ��ʵ�����������а������ս����0��1����ͨ���㷨�û������Ҽ�������һ��ѧϰ��ҪӦ���ڷ����Ԥ�� (regression & classify)���ලѧϰ�Ӹ�����ѵ�����ݼ���ѧϰ��һ�����������µ����ݵ���ʱ�����Ը����������Ԥ�������ලѧϰ��ѵ����Ҫ���ǰ�������������Ҳ����˵��������Ŀ�ꡣѵ�����е�Ŀ�������˱�ע�ġ������ļලѧϰ�㷨�����ع������ͳ�Ʒ��ࡣ
����2���Ǽලѧϰ(unsupervised learning)
�����Ǽලѧϰ�ֳƹ�����ѧϰ��clustering������K��ʽ(Kmeans)���������ģ�centriole����ͨ��ѭ���͵ݼ�����(iteration&descent)����С���ﵽ�����Ŀ�ġ�
��������ѧϰ������о�������ҪΧ����������������У�
������1������������о�
�����о��ͷ����Ľ�һ��Ԥ�������ִ�����ܵ�ѧϰϵͳ��
������2����֪ģ��
�����о�����ѧϰ���̲����м����ģ�⡣
������3�����۷���
������������̽�����ֿ��ܵ�ѧϰ�����Ͷ�����Ӧ��������㷨
��������ѧϰ�Ǽ�ר��ϵͳ֮���˹�����Ӧ�õ���һ��Ҫ�о�����Ҳ���˹����ܺ�����ĺ����о�����֮һ�����еļ����ϵͳ���˹�����ϵͳû��ʲôѧϰ����������Ҳֻ�зdz�����ѧϰ�����������������Ƽ��������������Ҫ�Ի���ѧϰ�����ۺͻ���ѧϰ�о��Ľ�չ���ؽ���ʹ�˹����ܺ�������ѧ�����Ľ�һ����չ ��