绪论

第一章 绪论

• Page2: 标记（label)

  示例结果的信息，例如“好瓜”，称为标记

• Page2: 假设(269)(hypothesis)

  学得模型对应了数据的某种潜在的规律，因此亦称假设

• Page2: 示例(instance)

  数据集中的每条记录是关于某个事件或对象的描述，称为一个“示例”或“样本”

• Page2: 属性(attribute)

  反映事务或对象在某方面的表现或性质的事项，如“色泽”，称为属性或特征

• Page2: 属性空间(attribute space)

  属性长成的空间称为属性空间，样本空间，或输入空间

• Page2: 数据集(data set)

  数据记录的集合称为一个数据集

• Page2: 特征(247)(feature)

  同属性

• Page2: 学习(learning)

  从数据中学得模型的过程称为学习或训练

• Page2: 学习器(learner)

  学习过程就是为了找出或逼近真相，有时将模型称作学习器

• Page2: 训练(training)

  同学习

• Page2: 训练集(training data)

  训练过程中使用的数据称为“训练集”，其中每个样本称为一个“训练样本”，训练样本组成的集合称为训练集

• Page2: 训练样本(training sample)

  见训练集

• Page2: 样本(sample)

  同示例

• Page2: 样本空间(sample space)

  同属性空间

• Page2: 样例(sample)

  同示例（instance）

• Page2: 真相(ground-truth)

  潜在规律本身称为真相或真实

• Page3: 标记空间(label space)

  所有标记的集合称为标记空间或输出空间

• Page3: 测试(testing)

  学得模型后，使用其进行预测的过程称为测试，被预测的样本称为测试样本

• Page3: 测试样本(testing sample)

  见测试

• Page3: 簇(197)（cluster）

  将训练集中的西瓜分成若干组，称为聚类，每个组称为一个簇

• Page3: 独立同分布(267)（independent and identically distributed）

  我们获得的每个样本都是独立的从一个分布上采样获得的，即“独立同分布”

• Page3: 多分类（multi-class classification）

  预测值涉及多个类别时，称为“多分类”

• Page3: 二分类（binary classification)

  预测值设计两个分类的任务

• Page3: 泛化（121，350）（generalization)

  学得模型适用于新样本的能力，称为“泛化”能力

• Page3: 分类（classification)

  如果预测的是离散值，此类学习任务称为分类

• Page3: 回归（regression）

  如果预测的值是连续值，此类学习任务称为回归

• Page3: 监督学习（supervised learning）

  根据训练数据是否拥有标记信息，学习任务可以大致分为两大类：监督学习和无监督学习，分类和回归是前者的代表，聚类是后者的代表

• Page3: 聚类(197)（clustering）

  见簇

• Page3: 无导师学习

  同无监督学习

• Page3: 无监督学习(197)（unsupervised learning）

  见有监督学习

• Page3: 有导师学习

  同有监督学习

• Page4: 概念学习(17)（concept learning）

  广义的归纳学习大体相当于从样例中学习，而狭义的归纳学习则要求从训练数据中学得概念，因此亦称为概念学习或概念形成

• Page4: 归纳学习(11)（inductive learning）

  从样例中学习

• Page5: 版本空间（version space）

  存在着一个与训练集一致的假设集合，称之为“版本空间”

• Page6: 归纳偏好（inductive bias）

  机器学习算法在学习过程中对某种类型假设的偏好，称为归纳偏好

• Page6: 偏好

  同归纳偏好

• Page7: 奥卡姆剃刀(17)（Occam's razor）

  若有多个假设与观察一致，则选最简单的那个

• Page10: 符号主义(363)（symbolism）

  基于逻辑表示

• Page10: 连接主义（connectionism）

  基于神经网络

• Page10: 人工智能

  有很多种说法。。见仁见智

• Page11: 机械学习

  信息存储与检索

• Page11: 类比学习

  通过观察和发现学习

• Page11: 示教学习

  从指令中学习

• Page12: 统计学习(139)

  如SVM，核方法

• Page14: 数据挖掘

  从海量数据中发掘知识

• Page16: WEKA

• Page17: 迁移学习

  类比学习升级版