# 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 --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://blog.cweihang.io/ml/zzh_ml_notes/melon/ch01.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.