機器學習基本概念
定義：致力於研究如何通過計算的手段，利用經驗來改善系統自身的吸能。
研究的主要內容他:在計算機上從數據中產生“模型”的算法，可以說機器學習是研究關於“學習算法”的學問
基本術語
要進行機器學習，先要有數據，通過下面的例子來說明
假定我們收集了一批關於西瓜的數據，例如(色澤=青綠;根蒂=蜷縮;敲聲=濁響)， (色澤=烏黑;根蒂=稍蜷;敲聲=沉悶)， (色澤=淺自;根蒂=硬挺;敲聲=清脆)，……，每對括號內是一條記錄，"="，意思是"取值爲"
屬性：反應事件或對象在某方面的表現或性質的事項，例如“色澤”、“根蒂”、“敲聲”
屬性空間: 屬性張成的空間。例如我們把"色澤"“根蒂”"敲聲"作爲三個座標軸，則它們張成一個用於描述西瓜的三維空間就是屬性空間
特徵向量：每個西瓜都可在這個空間中找到自己的座標位置。由於空間中的每個點對應一個座標向量，因此我們也把這個座標向量稱爲一個特徵向量。
根據訓練數據是否擁有標記信息，學習任務也可大致劃分爲兩大類。
監督學習(supervised learning)：訓練數據有標記信息，其中分類與迴歸屬於監督學習。
無監督學習(unsupervised learning)：訓練數據沒有標記信息，代表有聚類。
假設空間：所有假設構成的集合。
版本空間：只保留了假設空間中與訓練數據集中正例一致的假設，由這些正確的假設構成的集合成爲版本空間（簡單來說，版本空間就是正例的泛化）。