第一章 绪论（上）

[学习方法]下足了功夫，弄清了概念，做好了作业，自然会取得好成绩。

机器学习？

机器学习致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。因此，机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”的算法，即“学习算法”。
有了学习算法-> 提供经验数据给算法-----> 产生模型； 在面对新的情况时（预测），模型会给我们提供相应的判断。

小结：

1. 机器学习是利用经验来改善系统自身的性能。
2. 机器学习研究内容是从数据中产生”模型“的算法，即研究学习算法。此算法必须依赖于数据。
3. 核心点： 提供经验数据给算法–>学习算法---->model（purpose == results）

一、基本术语

1. 数据集： 记录的集合。
2. 样本 | 示例： 每条记录是关于一个事件或对象的描述。
3. 属性 | 特征：反映事件或对象在某方面的表现或性质的事项。
4. 属性空间 | 样本空间 | 输入空间 ： 属性（特征）张成的空间。
5. 特征向量：属性（特征）空间，每个样本都可在空间中找到自己的坐标位置。每个点对应一个坐标向量，把一个样本称为”特征向量 “。

助理解：
现有一堆西瓜的数据，例如：
a. (色泽 = 青绿 ； 根蒂 = 蜷缩 ； 敲声 = 浊响)
b. (色泽 = 乌黑 ； 根蒂 = 稍蜷 ； 敲声 = 沉闷)
c. (色泽 = 浅白 ； 根蒂 = 硬挺 ； 敲声 = 清脆)

D = {a,b,c} ——> 数据集
a、b、c称为一条记录——> 样本或示例
每个样本都有三个特征（属性）
这三个特征构成了三维空间 -> 特征向量

6.学习| 训练 ： 从数据中学得模型的过程。
7. 训练集：训练过程中使用的数据称为”训练数据“，每个样本称为一个”训练样本“，训练样本组成的集合称为”训练集“。
8. 假设：学得模型对应了关于数据的某种潜在的规律。